本改进已集成到 YOLOv8-Magic 框架。

论文地址：https://arxiv.org/pdf/2406.14239
代码地址：https://github.com/LilianHollard/LeYOLO/tree/main

在深度神经网络中，计算效率对于目标检测至关重要，尤其是在新型模型更倾向于速度而非计算效率（浮点运算次数，FLOP）的情况下。这种演变在一定程度上忽视了嵌入式和面向移动的AI目标检测应用。本文聚焦于基于FLOP的高效目标检测计算的神经网络架构设计选择，并提出了几种优化措施，以提高基于YOLO模型的效率。首先，我们引入了一种高效的背景缩放方法，灵感来自于倒置瓶颈和信息瓶颈原理的理论洞见。其次，我们介绍了快速金字塔架构网络（FPAN），该网络旨在在减少计算资源的同时，快速实现多尺度特征共享。最后，我们提出了一种解耦的网络中网络（DNiN）检测头，旨在为分类和回归任务提供快速且轻量级的计算。在这些优化的基础上，利用更高效的背景，本文为目标检测和以YOLO为中心的模型贡献了一种新的缩放范式，称为LeYOLO。我们的贡献在各种资源限制条件下，持续超越现有模型，达到前所未有的准确性和fl