先容
人类可以在几毫秒内挑选出我们视线中的物体。实际上–现在就四处看看。您已经进入了周围环境，迅速检测出存在的物体，现在正在看这篇文章。那花了多永劫光？
那便是实时物体检测。如果我们能让机器做到这一点，那会是多么酷？现在可以了！
紧张是由于最近在深度学习和打算机视觉方面取得的打破性进展，我们可以依赖工具检测算法来不仅检测图像中的工具，而且可以以人类的速率和准确性来做到这一点。
您是否想学习实时工具检测，但不愿定从哪里开始？您是否要建立一个打算机视觉模型来检测上述视频之类的物体？那么本文适宜您！
我们将首先研究工具检测的各种细微差别（包括您可能面临的潜在寻衅）。然后，我将先容SlimYOLOv3框架，并深入研究其在实时检测工具下面的事情办法。
目录
什么是物体检测？目标检测的运用为什么要进行实时物体检测？实时物体检测中的寻衅SlimYOLOv3简介理解SlimYOLOv3的体系构造什么是物体检测？
在深入研究如何实时检测工具之前，让我们先先容一下根本知识。如果您对打算机视觉天下还比较陌生，那么这尤其主要。
物体检测是一种用于识别图像中物体位置的技能。如果图像中只有一个工具，而我们要检测该工具，则称为图像定位。如果图像中有多个工具怎么办？好吧，这便是工具检测！
让我用一个例子阐明一下：
左侧的图像只有一个工具（狗），因此检测该工具将是图像定位问题。右边的图像有两个工具（猫和狗）。检测这两个工具将属于工具检测。
目标检测的运用
目前，工具检测已在行业中广泛利用。任何怀有在打算机视觉领域事情的野心的人都该当牢记这些运用程序。
工具检测的用例范围从人身安全到自动车辆系统。让我们谈论个中一些当前和无处不在的运用程序。
无人驾驶汽车
这是工具检测中最有趣和最新的运用之一。诚笃说，这是我真正着迷的。
自动驾驶汽车（也称为自动驾驶汽车）是能够在很少或没有人工辅导的情形下自行移动的车辆。现在，为了使汽车能够决定下一步，即向前行驶，运用中断或转弯，它必须知道周围所有物体的位置。利用工具检测技能，汽车可以检测到其他汽车，行人，交通信号灯等物体。
人脸检测和人脸识别
人脸检测和识别可能是打算机视觉最广泛利用的运用程序。每次将图片上传到Facebook，Instagram或Google相册时，它都会自动检测图像中的人物。这便是事情中计算机视觉的力量。
动作识别
你会喜好的。目的是识别一个或多个系列图像的活动或动作。工具检测是其背后的核心观点，该观点检测活动然后识别动作。这是一个很酷的例子：
工具计数
我们可以利用“工具检测”算法来计数图像乃至实时视频中的工具数量。打算工具的数量有助于多种办法，包括剖析商店的性能或估算人群中的人数。
这些只是一些盛行的工具检测运用程序。行业中呈现出许多主机，因此，如果您知道任何值得一提的内容，请不才面的评论部分中大声疾呼！
现在，事情来了–大多数运用程序都须要实时剖析。我们行业的动态性子在很大程度上取决于即时结果，而实时目标检测正是个中的关键。
为什么要进行实时物体检测？
让我们以自动驾驶汽车为例。考虑到我们已经演习了一个物体检测模型，该模型须要花费几秒钟（例如，每个图像2秒钟）来检测图像中的物体，我们终极将该模型支配在自动驾驶汽车中。
您认为这种模式会很好吗？汽车能否检测到前方的物体并采纳相应方法？
当然不是！
这里的推理韶光太多了。赛车将花费大量韶光做出可能导致严重事件（例如事件）的决策。因此，在这种情形下，我们须要一个能够供应实时结果的模型。该模型该当能够在微秒内检测到物体并进行推断。
用于工具检测的一些常用算法包括RCNN，Fast RCNN，Faster RCNN和YOLO。
实行实时工具检测的寻衅
实时物体检测模型该当能够感知环境，解析场景并终极做出相应反应。该模型该当能够识别场景中存在所有类型的工具。一旦确定了工具的类型，模型应通过在每个工具周围定义一个边界框来定位这些工具的位置。
因此，这里有两个功能。首先，对图像中的工具进行分类（图像分类），然后利用边界框定位工具（工具检测）。
在处理实时问题时，我们可能会面临多个寻衅：
我们应对变革？这些变革可能在工具的形状，亮度级别等方面有所不同。支配工具检测模型。这常日须要大量的内存和打算能力，尤其是在我们每天利用的打算机上末了，我们还必须在检测性能和实时哀求之间保持平衡。常日，如果知足实时哀求，我们会创造性能低落，反之亦然。因此，平衡这两个方面也是一个寻衅那么我们如何战胜这些寻衅呢？好吧-这便是本文的重点-SlimYOLOv3框架！
SlimYOLOv3旨在办理这些限定并以惊人的精度实行实时目标检测。
首先让我们理解SlimYOLOv3是什么，然后我们将查看架构细节以更好地理解框架
SlimYOLOv3简介
您能猜出深度学习管道如何事情吗？以下是范例过程的快速择要：
首先，我们设计模型构造微调该模型的超参数演习模型末了评估一下模型中有多个组件或连接。这些连接中的一些经由几次迭代后变得多余，因此我们可以从模型中删除这些连接。删除这些连接称为修剪。
修剪不会显著影响模型的性能，并且打算能力将大大降落。因此，在SlimYOLOv3中，对卷积层实行修剪。我们将在本文的下一部分中理解有关如何进行修剪的更多信息。
修剪后，我们对模型进行微调以补偿模型性能的低落。
与原始YOLOv3比较，修剪后的模型导致较少的可演习参数和较低的打算哀求，因此对付实时工具检测更加方便。
现在，让我们谈论SlimYOLOv3的体系构造，以更好，更清楚地理解此框架的事情事理。
理解SlimYOLOv3的体系构造
下图解释了SlimYOLOv3的事情办法：
SlimYOLOv3是YOLOv3的修正版本。修剪YOLOv3的卷积层以实现更薄，更快的版本。但是等等-我们为什么首先要利用YOLOv3？为什么不该用其他工具检测算法，例如RCNN，Faster RCNN？
为什么选择YOLOv3？
深度工具检测模型基本上有两种（或两类）：
两级检测器属于RCNN家族的检测器属于两级检测器。该过程包含两个阶段。首先，我们提取区域发起，然后对每个发起进行分类并预测边界框。这些检测器常日会导致良好的检测精度，但是这些检测器与区域建议的推理韶光须要大量的打算和运行时内存单级检测器属于YOLO系列的检测器属于单级检测器。这是一个单阶段过程。这些模型利用预定义的锚来覆盖全体图像的空间位置，比例和长宽比。因此，我们不须要额外的分支来提取区域建议。由于所有打算都在单个网络中，因此它们比两阶段检测器运行速率更快。YOLOv3还是单级检测器，目前是物体检测的最新技能稀疏演习
下一步是此YOLOv3模型的稀疏性演习:
在这里，我们利用以下步骤修剪YOLOv3模型：
首先，我们评估YOLOv3模型每个组成部分的主要性。我将很快谈论如何确定这些组件的主要性的细节评估主要性之后，我们将删除次要的组件删除的组件可以是单个神经连接或网络构造。为了定义每个组件的主要性，我们基于它们的贡献对网络的每个神经元进行排名。有多种方法可以做到这一点：
我们可以采取神经元权重的L1 / L2正则化方法每个神经元的均匀激活神经元输出不为零的次数在SlimYOLOv3中，主要性是根据神经元权重的L1正则化均匀值打算的，该均值被视为比例因子。这些比例因子的绝对值是通道的主要性。为了加速收敛并改进YOLOv3模型的泛化，在每个卷积层之后利用批处理归一化层。
SlimYOLOv3
然后，我们定义一个全局阈值（假设为ŷ），并丢弃比例因子小于此阈值的任何通道。这样，我们可以修剪YOLOv3架构并得到SlimYOLOv3架构：
在评估比例因子时，未考虑YOLOv3体系构造的maxpool层和upsample层，由于它们与层号的通道号无关。
微调
现在我们有了SlimYOLOv3模型，那么下一步是什么？
我们对其进行微调，以补偿性能的低落，末了评估微调的模型，以确定修剪后的模型是否适宜支配。
稀疏演习实际上在减小缩放因子并因此使卷积层的特色通道稀疏方面非常有效。以较大的惩罚因子α= 0.01进行演习，会导致缩放因子的急剧衰减，并且模型开始过度拟合。
总结
本文涵盖了很多根本。我们看到了不同的工具检测算法，例如RCNN，Fast RCNN，Faster RCNN，以及当前用于工具检测的最新技能YOLO。然后，我们研究了SlimYOLOv3体系构造，它是YOLO的修剪版本，可用于实时工具检测。
论文地址：
https://arxiv.org/pdf/1907.11093v1.pdf
