[论文解读] PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices

Guanghua Yu, Qinyao Chang+13 more|arXiv (Cornell University)|Nov 1, 2021

Advanced Neural Network Applications被引用 89

一句话总结

PP-PicoDet 提出了一种轻量级的无锚点目标检测器，针对移动设备优化，使用 Enhanced ShuffleNet (ESNet) 主干、CSP-PAN 颈部，以及基于 SimOTA 的动态标签分配，在 ARM CPU 上实现低延迟的同时保持高精度。它报告了在轻量级检测器中的先进性能。

ABSTRACT

The better accuracy and efficiency trade-off has been a challenging problem in object detection. In this work, we are dedicated to studying key optimizations and neural network architecture choices for object detection to improve accuracy and efficiency. We investigate the applicability of the anchor-free strategy on lightweight object detection models. We enhance the backbone structure and design the lightweight structure of the neck, which improves the feature extraction ability of the network. We improve label assignment strategy and loss function to make training more stable and efficient. Through these optimizations, we create a new family of real-time object detectors, named PP-PicoDet, which achieves superior performance on object detection for mobile devices. Our models achieve better trade-offs between accuracy and latency compared to other popular models. PicoDet-S with only 0.99M parameters achieves 30.6% mAP, which is an absolute 4.8% improvement in mAP while reducing mobile CPU inference latency by 55% compared to YOLOX-Nano, and is an absolute 7.1% improvement in mAP compared to NanoDet. It reaches 123 FPS (150 FPS using Paddle Lite) on mobile ARM CPU when the input size is 320. PicoDet-L with only 3.3M parameters achieves 40.9% mAP, which is an absolute 3.7% improvement in mAP and 44% faster than YOLOv5s. As shown in Figure 1, our models far outperform the state-of-the-art results for lightweight object detection. Code and pre-trained models are available at https://github.com/PaddlePaddle/PaddleDetection.

研究动机与目标

• 研究面向移动设备的无锚点、轻量级目标检测器。
• 在保持较低参数量的同时，改进主干与颈部架构以提升特征提取能力。
• 改进标签分配和损失函数以实现稳定、高效的训练。
• 探索基于 NAS 的主干设计，以优化移动硬件上的检测精度-延迟权衡。

提出的方法

• 采用 CSP-PAN 颈部，使用 1x1 通道等化以降低参数量，并通过 5x5 深度可分卷积扩展感受野。
• 采用 Enhanced ShuffleNet (ESNet) 作为主干，并加入 SE 与 Ghost 模块以在保持轻量化的同时提升表示能力。
• 采用基于 Varifocal Loss 与 GIoU 损失的成本矩阵的 SimOTA 动态标签分配，以改善正样本选择和定位。
• 训练一个一次性检测超网并执行基于 EA 的架构搜索，重点关注主干的通道比，然后在 COCO 上重新训练选定的架构。
• 将激活函数替换为 H-Swish 以提升移动端效率，并应用带适度数据增强的余弦学习率衰减。

实验结果

研究问题

• RQ1 无锚点检测器能在不牺牲精度的前提下为移动设备进行优化吗？
• RQ2 主干与颈部架构的改进（如 ESNet 与 CSP-PAN）是否在 ARM CPU 上显著提升 mAP 与延迟？
• RQ3 结合 Varifocal/GIoU 成本矩阵的动态 SimOTA 标签分配是否提升轻量级模型的训练稳定性和检测质量？
• RQ4 面向检测任务的单-shot NAS 是否能找到在移动硬件上改善延迟-精度权衡的架构？

主要发现

• PP-PicoDet-S (0.99M 参数) 在移动 ARM CPU（320 输入）上以 1.08G FLOPs 和 123 FPS 达到 30.6% mAP (0.5:0.95)，在同等规模下优于 YOLOX-Nano 和 NanoDet。
• PP-PicoDet-L (3.3M 参数) 在 8.74G FLOPs 下达到 40.9% mAP (0.5:0.95)，在可比条件下比 YOLOv5s 快约 44%。
• 更轻量的 CSP-PAN 颈部和深度可分卷积在相较于基线时带来显著的准确度提升，参数开销极小。
• 在 ImageNet-1k 中，ESNet 主干的准确性更高、延迟更低，优于 ShuffleNetV2-1.5x，支持用于检测任务的效率提升。
• 基于 NAS 的主干优化（ESNet-0.75x）在几乎不损失 mAP 的前提下显著降低延迟，同时减少参数。