大家好，我是dog-qiuqiu，这篇文章可能不会涉及太多技术算法上的讲解，可能先和大家探讨下关于这个算法的一些定位和应用场景的问题吧。

Yolo-Fastest：

• 简单、快速、紧凑、易于移植

• 适用于所有平台的实时目标检测算法

• 基于yolo的最快最小已知通用目标检测算法

• 针对ARM移动端优化设计，优化支持NCNN推理框架

• 基于部署在RK3399、Raspberry Pi 4b...等嵌入式设备上的NCNN，实现全实时30fps+

Yolo-Fastest，顾名思义，应该是现在已知开源最快的最轻量的改进版yolo通用目标检测算法（貌似也是现在通用目标检测算法中最快最轻量的），其实初衷就是打破算力的瓶颈，能在更多的低成本的边缘端设备实时运行目标检测算法，例如树莓派3b，4核A53 1.2Ghz，在最新基于NCNN推理框架开启BF16s，320x320图像单次推理时间在60ms～，而在性能更加强劲的树莓派4b，单次推理33ms，达到了30fps的全实时。而相比较下应用最广泛的轻量化目标检测算法MobileNet-SSD要在树莓派3b跑200ms左右，Yolo-Fastest速度整整要快3倍+，而且模型才只有1.3MB，而MobileNet-SSD模型达到23.2MB，Yolo-Fastest整整比它小了20倍，当然这也是有代价的，在Pascal voc上的map，MobileNet-SSD 是72.7，Yolo-Fastest是61.2，带来了接近10个点的精度损失，当然孰轻孰重，大家都有各自的想法。其实大家一般的检测任务本身不会像VOC那样检测20类那么多那么复杂，一般都是几类甚至单类检测，那么这样对于模型本身学习能力要求没那么高，因为本身类别越多样本不平衡的问题越大，越影响模型本身的性能。其实这个问题可以参考我的yoloface-500kb，一个只有400kb大小的人脸检测模型，这个本身就是个轻量化单类目标检测模型。下图是树莓派3b 基于Ncnn的常见模型的Benchmark。

其实，我还有个xl版本啊哈哈哈，精度更高当然模型更大速度当然…更慢啊xl就不多讲了，肯定树莓派3b没法实时，嘻嘻，但是这边有个基于麒麟990的NCNN的速度基准

啥，精度还不够，看来直接祭出我的MobileNetv2-yolov3-lite，VOC 73.2%的mAP，37.4% AP05 COCO，只有8MB，1.8Bflops，比mb-ssd系列的算法动不动10几20几MB的模型大小轻量很多，精度也高一些，但是lite只是证明yolo比mb-ssd系列更有优势，真正有意义实时的是fastest-xl以及fastest，哈哈，在放一张对比图

指标全是参考论文以及github相应的开源项目再来张效果图吧这是fastest

这是xl

对了，其实旷视的thundernet才是大佬，250mbflops的计算量，VOC能达到70%，可惜没开源，但是是个二阶检测算法，估计没yolo好部署。不过话说，如果我用object365把模型在训练一遍迁移到voc是不是又得暴涨几个点

总得而言，这个模型本身没有创新点，但是绝对重实用。管你啥X86，ARM，GPU，NNIE，Android，Linux…通吃，模型本身算子很简单，特别好移植，哈哈

Yolo-Fastest-1.1 多平台基准测试

• 以上是多核测试基准

• 以上速度基准测试是通过big.little CPU中的big core

• 树莓派 3B 启用 bf16s 优化，树莓派 64 位操作系统

• rk3399需要把cpu锁在最高频率，ncnn并开启bf16s优化

Yolo-Fastest-1.1 行人检测

• 基于yolo-fastest-1.1的简单实时行人检测模型

• 启用 bf16s 优化，树莓派 64 位操作系统

整理不易，点赞鼓励一下吧↓