专攻yolo目标检测但是创新点缺乏的同学看过来

YOLO的模型压缩方法最新综述

18页综述，108篇文献!YOLO使用者和写(shui)论文者必看!本文是第一篇对YOLOV5的模型压缩(特别是剪枝和量化)方法进行全面调研的工作，对方法进行分类并分析将其应用于 YOLOV5 的实际结果。

在过去的几年里，广泛的研究致力于增强 YOLO 目标检测器。自推出以来，YOLO 已经推出了 8 个主要V版本，旨在提高其准确性和效率。虽然 YOLO 的明显优点使其在许多领域得到广泛应用，但将其部署在资源有限的设备上却带来了挑战。为了解决这个问题，人们开发了各种神经网络压缩方法，这些方法主要分为三大类，即网络剪枝、量化和知识蒸馏。利用模型压缩方法的丰硕成果，例如降低内存使用量和推理时间，使其有利于(如果没有必要的话)在硬件受限的边缘设备上部署大型神经网络。 在这篇综述论文中我们的重点是剪枝和量化，因为它们具有相对的模块化性。 我们对它们进行分类并分析将这些方法应用于YOLOv5 的实际结果。 通过这样做，我们确定了在压缩 YOLOV5 时采用剪枝和量化方面的差距，并为该领域的进一步探索提供了未来方向。 在 YOLO 的几个版本中，我们特别选择 YOLOV5。这是第一篇从YOLO5 实现角度调查剪枝和量化方法的具体综述论文。我们的研究还可以扩展到 YOLO 的新版本，因为在资源有限的设备上实现它们会带来同样的挑战，即使在今天仍然存在。本文针对的是那些对 YOLOV5 上的模型压缩方法的实际部署感兴趣的人，以及对探索可用于 YOLO 后续版本的不同压缩技术感兴趣的人。

论文：https://arxiv.org/abs/2307.11904

AIGC生成技术交流：本星球主要分享AIGC最新技术，包括数字人实战技术、AI作画技术、声音克隆技术、大语言模型技术、三维重建技术等。我们还提供校招信息、面试题等内容，帮助各个层次的人实现自己的理想。不论是校招还是社招，还是你想快速融入AIGC创业潮流，迅速掌握AIGC论文方法的更新迭代，这个星球都适合你