Channel Pruned YOLOv5-based Deep Learning Approach for Rapid and Accurate Outdoor Obstacles Detection

要約

1 段階アルゴリズムは、大量のデータでトレーニングする必要があるターゲット検出システムで広く使用されています。
それらのほとんどは、リアルタイムと精度の両方でうまく機能します。
ただし、畳み込み構造のため、より多くの計算能力とより多くのメモリ消費が必要です。
したがって、ターゲット検出ネットワークにプルーニング戦略を適用して、パラメーターの数とモデルのサイズを削減しました。
剪定方法の実用性を実証するために、実験用にYOLOv5モデルを選択し、モデルの効果を示すために屋外障害物のデータセットを提供します。
この特定のデータ セットでは、最良の環境では、ネットワーク モデルの量が元のモデルと比較して 49.7% 削減され、推論時間が 52.5% 削減されました。
一方で、枝刈りによる精度の低下を補うデータ処理手法も採用しています。

要約(オリジナル)

One-stage algorithm have been widely used in target detection systems that need to be trained with massive data. Most of them perform well both in real-time and accuracy. However, due to their convolutional structure, they need more computing power and greater memory consumption. Hence, we applied pruning strategy to target detection networks to reduce the number of parameters and the size of model. To demonstrate the practicality of the pruning method, we select the YOLOv5 model for experiments and provide a data set of outdoor obstacles to show the effect of model. In this specific data set, in the best circumstances, the volume of the network model is reduced by 49.7% compared with the original model, and the reasoning time is reduced by 52.5%. Meanwhile, it also uses data processing methods to compensate for the drop in accuracy caused by pruning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google