基于GhostNet残差结构的轻量化饮料识别网络

作者：曹远杰; 高瑜翔^*

来源：计算机工程, 2022, 48(03): 310-314.

DOI：10.19678/j.issn.1000-3428.0059966

• 深度学习
• 卷积神经网络
• YOLOv4-Tiny算法
• 残差结构
• 轻量化
• 目标检测

YOLOv4-Tiny目标检测网络算法存在参数多和计算量大等问题，无法部署在资源有限的平台上。提出一种基于GhostNet残差结构的主干轻量级目标检测网络算法YOLO-GhostNet。该算法采用GhostNet结构将普通卷积分成两步，即使用较少的卷积核生成一部分特征图，对生成的特征图通过简单计算获得另一部分特征图，并将两组特征图进行拼接，以减少计算所需资源与参数量。通过GhostNet构建残差结构的YOLO-GhostNet算法在经过批量归一化层优化后模型尺寸只有2.18 MB，较YOLOv4-Tiny算法模型尺寸减小90%。YOLO-GhostNet算法在GPU加速环境下平均处理图片速度比YOLOv4-Tiny算法提高24%,CPU处理速度比YOLOv4-Tiny加快56%。实验结果表明，该算法在饮料测试集中的平均精确度均值达到79.43%，相比YOLOv4-Tiny算法，其在精度无损失情况下能够大幅降低网络计算量和参数量，同时加快推理速度，更适合部署于资源算力不足的嵌入式设备。

• 单位
  成都信息工程大学