MobileNet-Yolo 快速上手：3MB 轻量目标检测，ARM 手机 5ms 出结果

MobileNet-Yolo 快速上手3MB 轻量目标检测ARM 手机 5ms 出结果【免费下载链接】MobileNet-YoloMobileNetV2-YoloV3-Nano: 0.5BFlops 3MB HUAWEI P40: 6ms/img, YoloFace-500k:0.1Bflops 420KB:fire::fire::fire:项目地址: https://gitcode.com/gh_mirrors/mo/MobileNet-YoloMobileNet-Yolo 是一套面向移动设备的轻量级 YOLO 目标检测框架基于 darknet 训练推理。它把完整的检测网络压到约 3MB、0.5BFlops 计算量Nano 版在麒麟 990 上用 MNN 推理一张 320×320 图片只要 5ms人脸检测版更是只有 420KB。本文先带你把推理跑通再拆开讲它为什么省。3 步跑通推理克隆、编译、出框整个上手路径很短克隆、编译、用预置权重跑一张图三步完成。git clone https://gitcode.com/gh_mirrors/mo/MobileNet-Yolo cd MobileNet-Yolo make -j4 ./darknet detect MobileNetV2-YOLOv3-Nano/COCO/MobileNetV2-YOLOv3-Nano-coco.cfg \ MobileNetV2-YOLOv3-Nano/COCO/MobileNetV2-YOLOv3-Nano-coco.weights \ data/dog.jpg -thresh 0.5预训练权重直接放在仓库的 MobileNetV2-YOLOv3-Nano/COCO/ 目录下不用额外下载检测效果示意可看 data/dog.jpg 这类样例图。最容易卡住的一步是编译Makefile 默认GPU1、CUDNN1、OPENCV1没有对应环境的机器会直接报错。纯 CPU 机器把这三项改成 0 再 make 即可。它凭什么省骨干、金字塔、检测头三层拆解省算力的关键不在某一个地方而是从骨干到检测头每一层都在做减法。深度可分离卷积骨干把一次大卷积拆成两次小卷积Nano 版骨干的总计算量只有 0.5BFlops权重文件约 3MB这来自 MobileNetV2 的倒置残差结构。它把一次 3×3 标准卷积分解为深度卷积每个通道单独卷积cfg 里体现为groupsfilters和 1×1 逐点卷积只做通道间混合两步 → 卷积参数和乘加次数大幅下降 → 具体实现见 src/convolutional_layer.c层配置可见 MobileNetV2-YOLOv3-Nano-coco.cfg。对比参照同为 NCNN 推理YOLOv5s 需要 13.2BFlops是 Nano 的 26 倍。三级特征金字塔大目标小目标一张图全接住Nano 在 320×320 输入上输出 32×32、16×16、8×8 三个检测尺度cfg 中有 16 处 route/shortcut/upsample 连接小目标走高分辨率层大目标走低分辨率层。图 1yoloface-500k-v2 在多张人脸大小差异明显的图上的检测框展示不同尺度目标都能命中阈值 0.7精简检测头锚框少、卷积薄检测头沿用 YOLOv3 的 loss 与推理逻辑见 src/yolo_layer.c但每级只保留少量卷积和锚框参数量远低于标准 YOLOv3 的检测分支 → 推理时的内存读写带宽压力更小这正是移动端瓶颈所在。图 2yoloface-500k 在街景图上的人脸检测结果可见检测头在复杂背景下的输出效果数据说话同一颗麒麟 990 上的实测下表数据来自项目 README 基准测试硬件为麒麟 9904×ARM CPUNCNN 耗时含 NMS 后处理MNN 只含前向。注意 Nano/Lite 输入 320两个参照模型输入 416对比时留意这个条件差异。模型输入VOC mAP(0.5)COCO mAP(0.5)NCNN 耗时FLOPS权重体积MobileNetV2-YOLOv3-Nano32065.2730.1310.16ms0.5B3.0MBMobileNetV2-YOLOv3-Lite32073.2637.4428.42ms1.8B8.0MBYOLOv4-Tiny416-40.244.6ms6.9B23.1MBYOLOv5s416-56.2150.5ms13.2B28.1MB图 3用 scripts/log_parser 解析训练/推理日志生成的性能曲线可用于定位耗时瓶颈按设备选档只有 4 核 ARM CPU 或 IoT 终端 → 选 Nano5ms/3MB。中高端手机 ARM82 或 Adreno GPU → 选 Lite精度换 13 个点的 COCO mAP。人脸场景 → 直接用 yoloface-500k-v20.42MB、WiderFace Hard 0.490、NCNN 4.7ms352×288或 50k 版46KB、56×56、NCNN 0.27ms适合 1.5m 内近距离。桌面 GPU 服务器、追求精度上限 → 这套框架不是最优选直接上更大的模型。进阶微调自己的数据、转换与裁剪跑通之后想改仓库里给了完整工具链。用自己的数据微调。用 scripts/voc_label.py 把标注画框转成 txt 标签在 cfg/voc.data 里改好训练/验证列表路径然后以 COCO 预训练权重初始化再训练README 明确要求必须用预训练模型初始化从零训很难收敛。转换到移动端推理框架。NCNN 可直接转 darknet 模型MNN 需要先经 darknet2caffe/ 转 Caffe 格式示例命令cd darknet2caffe python darknet2caffe.py MobileNetV2-YOLOv3-Nano-voc.cfg \ MobileNetV2-YOLOv3-Nano-voc.weights \ MobileNetV2-YOLOv3-Nano-voc.prototxt MobileNetV2-YOLOv3-Nano-voc.caffemodel转 MNN 时务必把 prototxt 里的 Upsample 层替换为 Interp 并填好宽高否则图结构对不上。Android 端的 NCNN 集成样例含人脸检测 106 关键点在 sample/ncnn/ 目录。再砍一刀。如果 3MB 仍嫌大可在 cfg 中调小卷积层的filters体积和速度线性受益代价是精度损失。同目录的 yoloface50k-landmark106106 点关键点1.4MBNCNN 0.6ms是一个任务压到多小的现成参照。图 4yoloface-50k 检测框 landmark106 关键点叠加效果展示检测与关键点任务串起来的完整流程常见问题与坑无 CUDA 环境编译失败→ 把 Makefile 里GPU1、CUDNN1改为 0缺 OpenCV 时再把OPENCV0。Pascal 显卡如 1080Ti训练失败或异常慢→ darknet 的 group convolution 在 Pascal 上支持不佳README 建议改用 PyTorch 版 yolo3 框架训练。转 MNN 后跑不通→ 检查 Upsample 是否已换成 Interp另外 yoloface-500k-v2 暂时不支持 MNN只能用 v1 或改走 NCNN。yoloface-50k 漏检远处人脸→ 它本就是近距离模型推荐检测距离 1.5m 内远距离场景换 yoloface-500k。精度不如预期→ 先调低-thresh看漏检还是误检再考虑换 Lite 档或加大输入分辨率。写在最后MobileNet-Yolo 的核心价值很朴素用深度可分离卷积 三级金字塔 精简检测头把 YOLO 压进 3MB在 ARM 手机上拿到 5ms 级别的推理MNN麒麟 990。它适合资源受限的嵌入式设备、移动端人脸与目标检测以及需要把模型体积控制在 MB 级的部署场景。需要留意的是项目自 2021 年 2 月起不再更新作者已转向后续项目本文数据以仓库 README 中的实测为准。【免费下载链接】MobileNet-YoloMobileNetV2-YoloV3-Nano: 0.5BFlops 3MB HUAWEI P40: 6ms/img, YoloFace-500k:0.1Bflops 420KB:fire::fire::fire:项目地址: https://gitcode.com/gh_mirrors/mo/MobileNet-Yolo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考