边缘GPU上的高效实时物体检测新突破：YOLO-ReT

本文档探讨了在边缘计算环境中实现高精度实时物体检测的新方法，名为YOLO-ReT。随着深度神经网络（DNN）在物体检测领域的快速发展，如何将这些复杂模型部署到边缘GPU设备，如Jetson Nano，成为了一个挑战。作者注意到，为了适应边缘设备的资源限制，传统的模型压缩往往牺牲了准确性。因此，他们提出了两个关键创新。 首先，论文的核心是开发一个边缘GPU友好的多尺度特征交互模块。该模块利用现有最先进的方法中未充分利用的特征尺度之间的组合连接，通过改进模型的特征融合，增强了模型的准确性和执行效率。这种方法旨在解决多尺度对象检测中的分辨率变化问题，确保在不同大小的目标物体上都能提供稳定的性能。 其次，作者提出了一种新颖的迁移学习策略，其灵感来源于不同任务间信息流动的动态性。这种转移学习 backbone 的设计目的是增强模型的泛化能力，使其在处理边缘计算任务时，能够更有效地传递和整合来自不同任务的知识，进一步提升整体性能。 具体实验结果显示，YOLO-ReT采用MobileNetV2 x0.75作为基础骨干网络，在Jetson Nano上实现了显著的性能提升。在Pascal VOC数据集上，YOLO-ReT达到了68.75的mean Average Precision (mAP)，相比同类方法提高了3.05 mAP，且执行速度提升3.05帧每秒。在COCO数据集上，YOLO-ReT的表现同样出色，达到34.91的mAP，相较于基础版本提高了0.91 mAP。在轻量级版本YOLOv4-tiny和YOLOv4-tiny(3l)中引入该模块后，COCO数据集的性能分别提升了1.3和0.9 mAP。 YOLO-ReT的研究为边缘设备上的实时物体检测提供了新的解决方案，通过优化特征交互和迁移学习，平衡了模型的准确性、效率和资源消耗，对于在实际应用中推动轻量化和高效能的物体检测技术具有重要的实践价值。这对于毕业设计、研究以及未来物联网、自动驾驶等对实时性和响应速度有高要求的场景具有显著的指导意义。