这个YOLO-Fastest算法满足所有平台的需要。不论是PyTorch，还是Tensorflow，又或者是Keras和Caffe，可以说是全平台通用。

此外，作者还推出了超轻YOLO的“加大版”，同样只需要3.5MB，就能实现比YOLOv3更好的目标检测效果。

那么，这么轻的网络，检测效果怎么样？

下图是一只快速跑动的动物，可以看见，算法预测这只动物为鸡（chicken）的概率是95%。

不仅在动物检测上，对于人的检测效果也不错。

从图中可见，正面人物的预测概率都超过了90%，即使是接近侧面的人脸，系统也能准确预测出来，只是概率会偏小，接近50%。

此外也能看见，YOLO不仅能检测行人和动物，类似于餐桌和瓶子这样的目标物体也能检测出来。

当然，桌上还有其他的瓶子，不过没有检测出来。

而这样的检测效果，只需要1.3MB大小的YOLO-Fastest模型，相比于3.0MB的MobileNet-YOLOv3，参数少了65%，速度还要快上45%。

如果硬件要求没那么高，相比之下，还是精度更重要的话，这里的YOLO-Fastest-XL会更加适合。

这个“加大版”YOLO-Fastest算法是一个3.5MB的算法模型，mAP要高上不少，达到了68.8%。

整体来说，YOLO-Fastest是个牺牲一定精度 （大约5%的mAP）、大幅提升速度的目标检测模型。

之所以这么小，也是因为这个YOLO-Fastest搭配了号称当前最强的移动端轻量级神经网络EfficientNet-lite。

这是个比MobileNet更轻的神经网络，但图像分类的效果还不错。

△ EfficientNet-lite架构

不过，这样的压缩会牺牲一定的精度，相比于YOLOv3，YOLO-Fastest模型的mAP只有60.8%。

但对于一些容量有限的硬件来说，已经足够适用了。

那么，究竟为什么要在目标检测算法中选择YOLO呢？

目标检测算法YOLO的核心，在于它模型体积小、运算速度快。

与R-CNN系列（Fast R-CNN、Faster R-CNN等）的算法相比，YOLO的精度上不了台，但它的速度却是杠杠的。

检测速度，从先验框（下图中五彩斑斓的框架）变换的频次就能看出来。

之所以追求速度，是因为作为安防、自动驾驶领域的核心算法，目标检测讲究实时。

如果安防要过几秒钟才能检测出窃贼的存在、或是自动驾驶汽车对路障的感知非常缓慢，那么后果可能会不堪设想。

此后诞生出来的SSD算法，有点像R-CNN和YOLO算法的折中。但对于某些存储体积有限的硬件来说，依旧只有YOLO才能“装得进去”。

而只有230MFLOPS（每秒运行230万次浮点运算）的YOLO-Fastest模型，又给算力不足的硬件提供了机会，使得它有机会在更小的机器上运行。

如果感兴趣的话，可以一同戳下方传送门查看这个目标检测算法。

1.3MB超轻YOLO：

//github.com/dog-qiuqiu/Yolo-Fastest

比SSD效果更好的MobileNet-YOLO：

//github.com/dog-qiuqiu/MobileNet-Yolo

原文来自：

本文地址：//q13zd.cn/yolo-fastest.html编辑：roc_guo，审核员：清蒸github

Linux大全：

Linux系统大全：

红帽认证RHCE考试心得：