EdgeYOLO：边缘计算平台的实时目标检测器

"EdgeYOLO是针对边缘计算平台设计的一种实时对象检测器，它基于先进的YOLO框架，具有高效、低复杂度和无锚点的特点。通过增强型数据扩充方法抑制过拟合，混合随机损失函数提升小物体检测精度。借鉴FCOS的思想，设计了一个轻量级、高效的解耦头部结构，同时保持高推理速度和精度。实验结果显示，EdgeYOLO在MS COCO2017和VisDrone2019 DET数据集上表现出色，满足30 FPS以上的实时要求，并且针对计算能力有限的设备，如Nvidia Jetson AGX Xavier，有优化的轻量化模型设计，性能优异。" EdgeYOLO是一种专为边缘计算优化的对象检测算法，它旨在解决传统目标检测器在资源有限的边缘设备上的实时性问题。YOLO（You Only Look Once）是一种著名的实时目标检测系统，而EdgeYOLO在其基础上进行了改进，降低了复杂度并去除了锚点，这使得模型更加轻便，更适合在边缘计算环境中运行。 在训练过程中，EdgeYOLO引入了一种增强型数据扩充策略，该策略有助于防止模型过拟合，确保模型能够更好地泛化到未见过的数据。过拟合是机器学习中常见的问题，会导致模型在训练数据上表现良好，但在新数据上性能下降。通过有效的数据扩充，EdgeYOLO可以更稳定地学习特征，提高检测效果。 此外，EdgeYOLO采用了混合随机损失函数，这个损失函数设计的目标是提升对小物体的检测精度。在许多实际应用中，小物体的检测是一个挑战，因为它们可能只占图像的一小部分，容易被忽视。混合随机损失函数通过改进训练过程中的目标定位和分类，帮助模型更准确地检测这些小目标。 EdgeYOLO的另一个创新点在于它的解耦头部设计，灵感来源于FCOS（Fully Convolutional One-Stage Object Detection）。FCOS是一种无锚框的一阶段检测器，而EdgeYOLO在此基础上进行了轻量化，提高了推理速度，同时几乎不牺牲检测精度。这种设计使模型在保持高性能的同时，减少了计算资源的需求。 实验证明，EdgeYOLO在标准的MS COCO2017和VisDrone2019 DET数据集上达到了优秀的检测精度，分别达到了50.6%AP50:95和69.8%AP50以及26.4%AP50和44.8%AP50。这表明EdgeYOLO不仅在准确性上表现出色，而且满足了实时性的要求，可以在边缘计算平台（如Nvidia Jetson AGX Xavier）上以每秒30帧以上的速度运行。对于计算能力更低的设备，EdgeYOLO还提供了专门的轻量化版本，能够在保持良好性能的同时，适应更广泛的硬件环境。