湖北商贸学院毕业论文〔设计)摘要随着近些年目标检测技术的发展，R-CNN算法逐渐发展为检测领域的主流算法，其底层逻辑在于制定目的性进行搜索或通过CNN网络的运行，生成多种候选框，并针对其进行梳理和分类，其特点在于具备较高的准确性：Y0L0和S$D的底层逻辑主要通过图片的各个区域展开取样，在此过程中的长宽比和尺寸不要求一致，并通过CNN网络进行提取，最终实现分类，其优势在于计算效率高，只需一步就能实现，不过其缺陷在密集采样中达到均衡性存在一定难度。而在当前端侧智能、端云协同的行业发展趋势下，算法在移动端的部署应用则显得尤其重要。相较于统一的中心化处理，智能终端可以更好的适应差异化的环境，运维成本也更低。不过研制体积小、质量高的检测模型难度较高，尤其在实践过程中存在诸多干扰因素，对速度要求不断提高，如在工业、自动驾驶等领域的检测过程中，对于延迟的要求细化到毫秒的程度，此项要求较为严格：同时对进度要求非常高，尤其在火灾、自动驾驶等检测场景中，任何细小的疏忽都会造成无法弥补的损失，容错率极低：对提及的要求不断减小，这一点体现在车载、移动终端等领域，其计算能力和内存受到诸多限制，因此算法必须尽量压缩，周边环境复杂，同时要考虑到硬件的损耗情况。而本文介绍的最超轻量级目标检测正是为了解决以上痛难点问题，针对模型的速度、精度和部署友好性做出优化，并取得了显著的成果。关键词：目标检测：深度学习：卷积神经网络湖北商贸学院毕业论文〔设计)ABSTRACTTarget detection has made important progress in recent years.The main idea ofmainstream algorithms such as R-CNN algorithm is to generate a series of sparsecandidate frames through selective search or CNN network (RPN),and then classifyand regress these candidate frames,with the advantage of high accuracy;YOLO andSSD,whose main idea is to uniformly and densely sample the images at differentlocations,and then use CNN to extract features and directly classify and regress,thewhole process takes only one step.densely sampled at different locations of the image,the sampling can be done at different scales and aspect ratios,and then the features areextracted using CNN and then directly classified and regressed,the whole process takesonly one step,so its advantage is fast,but an important disadvantage of uniform densesampling is that training is more difficult.Compared to unified centralized processing,smart terminals can better adapt to differentiated environments and have lower O&Mcosts.However,developing a high-quality lightweight target detection model is not soeasy,and there are often many challenges in the real environment:speed,such asindustrial vision quality inspection,autonomous driving and other real-time scenarios,the acceptable range of delay often needs to be in the millisecond level,which isextremely demanding;high accuracy,in scenarios such as autonomous driving and firedetection,a small error can bring serious losses.The tolerance for false detection andmissed detection is very low;the size should be small,in the cell phone,car,IOT andother edge-end deployment,arithmetic power and memory are limited,the algorithmneeds to achieve the ultimate compression;the deployment environment is complex anddiverse,the hardware device power consumption,specifications of various kinds.Themost ultra-lightweight target detection introduced in this paper is designed to solve theabove pain and difficulty problems,optimizing the model for speed,accuracy anddeployment friendliness,and achieving remarkable results.Key words:Target detection;Deep learning;Convolutional neural network湖北商贸学院毕业论文〔设计)第一章绪论1.1研究背景与意义现阶段，人类接触与了解外界的方式方法基本是通过视觉、嗅觉、听觉、味觉和触觉而来。其中视觉是人类最直观的获取外界信息的方式。经过历史岁月的变迁，眼下如今人类已经研究发明出可以模拟人眼成像的技术设备。将信息储存到数字图像中，进而推演出数字图像的处理过程，这一学科称之为计算机视觉。目标检测是计算机视觉技术中相当基础却也甚为重要的一项任务，它负责对数字图像中的单个或多个目标进行识别和定位。这些年中，超轻量网络技术推陈出新，基于超轻量网络的技术已经取得了硕大的进步，并且正在走出实验室进入工业领域。目标检测技术是计算机视觉系统极为关键的任务额，其在生活与工作中的多个场景得到广泛应用。例如，医学图像分析、自动驾驶汽车、业务分析和人脸识别等都依赖于目标检测技术，已经融入了我们生活的方方方面。上述应用程序所需要的计算设施可能是云计算设施、通用GPU、物联网集群或单个嵌入式设备。为了设计一种有效的目标检测器，模型缩放技术极为关键，其能够在有效提升检测设备的时效性和精确性。(1)自动驾驶：在现代智能化交通领域中，自动驾驶技术无疑是其中的亮点。该技术得益于车辆对周边环境的识别，对动态化的物体进行全方位感知，在此基础上对周围车辆、障碍物、交通标识等物件进行全面感知和识别。这也成为自动驾驶技术得以发展和普及的先决条件。(2)安防监控系统：安全防护监控系统是基于原有的监控体系的完善和升级，传统的监控系统离不开管理人员的操作，无形中增加人力成本。随着现代安全防护监控系统的发展和升级，自动识别功能得到全面发挥，其对所有动态和静态的物体进行全面捕捉。将其运用在工作场所，可对来访接待、重要资产丢失、外来人员入侵等情况发出警报。其在流水线作业中，能够起到安全提示的作用，一旦有人员靠近危险品或区域，系统经过自动识别后将出现报警，同时该系统还可以针对异常情况进行实时保存，有效节省内存空间。