前戲
本文要介紹一篇新的論文及開源項目：YOLO-LITE
看名字，就知道屬於YOLO系列。這篇文章於2018年11月15日首發在arXiv上，考慮到該work開源了，於是Amusi就特意深挖一下推薦給大家。
CVers應該都知道YOLO官方三部曲：YOLOv1—>YOLOv2—>YOLOv3。其實還有很多衍生版，如YOLT和YOLO3D等。
那麼YOLO-LITE是與上述work有什麼區別呢？接着向下看
注：文末附網絡模型和預訓練權重
YOLO-LITE
YOLO-LITE是一種實時目標檢測模型，可用於便攜式設備，如缺少圖形處理單元（GPU）的筆記本電腦或手機。
該模型在PASCAL VOC數據集和COCO數據集上訓練，分別達到33.81％和12.26％的mAP。YOLO-LITE僅有7層和4.82億FLOPS，其在非GPU計算機上以大約21 FPS運行，在網頁上以10 FPS運行。這個速度比最SOTA的SSD Mobilenet v1快3.8倍。
粗看下來，YOLO-LITE就是爲了在無GPU的設備上實現實時目標檢測，而且YOLO-LITE是基於Tiny-YOLOv2進行改進的。
根據作者描述，YOLO-LITE的設計還有額外的指標：
- 在無GPU的電腦上達到不低於10 FPS的速度
- 在PASCAL VOC上達到不低於30% mAP
YOLO-LITE主要有兩個貢獻：
- 證明淺層網絡（shallow networks）的對於非GPU快速目標檢測應用的能力。
- 證明batch normalization對於shallow networks是不必要的
YOLO-LITE網絡介紹
Table VI 表示Tiny-YOLOv2網絡結構，而Table VII表示YOLO-LITE的最佳性能試驗（Trial）：試驗3-無BN。
Tiny-YOLOv2由9個卷積層組成，總共3,181個filters和69.7億個FLOPS。相比之下，試驗3 - 無BN的YOLO-LITE僅由7層組成，總共749個filters和4.82億個FLOPS。Tiny-YOLOv2比YOLO-LITE試驗3 - 無BN 具有14倍以上的FLOPS 。
注：原作者對Tiny-YOLOv2進行改進，總共試驗次數不低於13組，根據實驗結果比較，試驗3-無BN是YOLO-LITE最佳版本。所以上述只介紹了YOLO-LITE：試驗3-無BN的網格結構。
數據集
- PASCAL VOC 2007+2012
- COCO 2014
實驗結果
下圖顯示了試驗3-無BN是YOLO-LITE最佳版本，其mAP和FPS的tradeoff最佳。
表VIII 表明了YOLO-LITE比SSD快了3.6倍，比Tiny-YOLOV2快了8.8倍，至於mAP，呃...湊合着看吧
總結
YOLO-LITE實現了將目標檢測引入無GPU計算機的目標。此外，YOLO-LITE爲目標檢測領域提供了多種貢獻。首先，YOL-LITE表明，shallow networks 對輕量級實時目標檢測網絡具有巨大潛力。在無GPU計算機上以21 FPS運行對於如小系統非常有前景。其次，YOLO-LITE表明，當涉及較小的淺層網絡時，應該"質疑"是否需要使用batch normalization。
Amusi測試
YOLO-LITE究竟性能如何，讓Amusi體驗一下
Amusi筆記本：i5-6300HQ + GTX960m
注：Amusi木有找到無GPU的筆記本電腦（尷尬.jpg），並使用很早就配置好的GPU版本的darknet。（偷點懶，沒有重新配置無GPU版本的darknet）
要想測試YOLO-LITE，首先要配置darknet（即YOLO環境），你可以在Linux下配置，也可以在Windows下配置，配置好darknet後，然後下載cfg網絡模型和weights預訓練權重：
1git clone https://github.com/reu2018DL/yolo-lite
下載好上述文件（有點大），便開始測試。
先看看TinyYOLOv2，預測速度是58FPS（17ms）
1darknet detector test data/voc.data cfg\\yolov2-tiny-voc.cfg weights\yolov2-tiny-vocweights dog.jpg
再看看YOLO-LITE，預測速度是200FPS（5ms）
1darknet detector test data/voc.data cfg/tiny-yolov2-trial3-noBatch.cfg weights/tiny-yolov2-trial3-noBatch.weights dog.jpg
速度不錯，但檢測結果有點感人
評價
Amusi覺得YOLO-LITE就是Tiny-YOLOv2的青春版，也可以理解爲更輕量級版。YOLO-LITE在speed和mAP之間的tradeofff不是很可觀，但其發現的兩個tricks還是蠻有意思的。
參考
arXiv：https://arxiv.org/abs/1811.05588
homepage：https://reu2018dl.github.io/
github：https://github.com/reu2018dl/yolo-lite