開源代碼：https://github.com/RangiLyu/nanodet

前言&背景

圖像選自于《https://www.cnblogs.com/azureology/p/14103685.html》

目標檢測是現在最熱門的研究課題，也一直是工業(yè)界重點研究的對象，最近幾年內，也出現了各種各樣的檢測框架，所屬于YOLO系列是最經典也是目前被大家認可使用的檢測框架。

• CVPR21目標檢測新框架：不再是YOLO，而是只需要一層特征（干貨滿滿，建議收藏）
  

• 目標檢測 | Anchor free的目標檢測進階版本
  

• ICCV2021：阿里達摩院將Transformer應用于目標重識別，效果顯著（附源代碼）

2

框架介紹

真實使用NANODet框架，確實比YOLO-Fastest系列好用很多，比YOLOF都好用一些，下一期，我們“計算進視覺研究院”計劃給大家一起來詳細說說YOLO-Fastest系列。

現在Github提供的整體，都已在安卓運行，華為P30上用NCNN移植跑benchmark，每幀僅需10.23毫秒，比yolov4-tiny快3倍，參數量小6倍，COCO mAP(0.5:0.95)能夠達到20.6 。而且模型權重文件只有1.8mb。

圖片來自于：

https://openaccess.thecvf.com/content_ICCV_2019/papers/Tian_FCOS_Fully_Convolutional_One-Stage_Object_Detection_ICCV_2019_paper.pdf

這么做的好處是能夠將檢測頭的參數量降低為不共享權重狀態(tài)下的 1/5。這對于光是檢測頭就擁有數百通道卷積的大模型來說非常有用，但是對于輕量化模型來說，共享權重檢測頭并沒有很大的意義。由于移動端模型推理由 CPU 執(zhí)行計算，共享權重并不會帶來推理過程的加速，而且在檢測頭非常輕量的情況下，共享權重使其檢測能力進一步下降，因此項目作者認為選擇對每一層特征使用一組卷積比較合適。

，時長00:53

FPN 層改進

摘自于《機器之心》

目前針對 FPN 的改進有許多，如EfficientDet使用了BiFPN，YOLO v4和v5使用了PAN，除此之外還有BalancedFPN等等。BiFPN雖然性能強大，但是堆疊的特征融合操作會導致運行速度降低，而PAN只有自上而下和自下而上兩條通路，非常簡潔，是輕量級模型特征融合的好選擇。

原版的PAN和YOLO系列中的PAN都使用了stride=2的卷積進行大尺度Feature Map到小尺度的縮放。而該項目出于輕量化的考慮，選擇完全去掉 PAN 中的所有卷積，只保留從骨干網絡特征提取后的1x1卷積來進行特征通道維度的對齊，上采樣和下采樣均使用插值來完成。與YOLO使用的concatenate操作不同，項目作者選擇將多尺度的Feature Map直接相加，使整個特征融合模塊的計算量變得非常小最終得到的極小版 PAN結構非常簡單：

主干網絡

項目作者選擇使用ShuffleNetV2 1.0x作為主干網絡，他去掉了該網絡的最后一層卷積，并且抽取8、16、32倍下采樣的特征輸入到PAN中做多尺度的特征融合。整個主干模型使用了Torchvision提供的代碼，能夠直接加載Torchvision上提供的imagenet預訓練權重，對加快模型收斂起到很大幫助。

部署

生成部署文件

• pth 轉化為ONNX

python tools/export.py --cfg_path /config/EfficientNet-Lite/nanodet-EfficientNet-Lite1_416.yml --model_path  /model_best/model_best.pth --out_path model_test.onnx --input_shape 416,416

• ONNX轉化NCNN

1)編譯ncnn

2)安裝onnx==1.8.1

3)cd onnx-simplifier-master

python -m onnxsim  /nanodet/nanodet-main/tools/model_test.onnx nanodet_sim.onnx

4)轉換成bin

cd  /ncnn-master/build/tools/onnx

./onnx2ncnn /onnx-simplifier-master/nanodet_sim.onnx nanodet_m.param nanodet_m.bin