Micro-YOLO：如何有效压缩目标检测模型，实现高效长尾词识别？

本文共计1711个文字，预计阅读时间需要7分钟。

论文地址：https://www.scitepress.org/Papers/2021/102344/102344.pdf作者：Edison_G题目：深度学习模型在目标检测的性能上取得了重大突破。然而，在传统模型中，例如F模型，性能仍有待提高。

论文地址：​​www.scitepress.org/Papers/2021/102344/102344.pdf​​

计算机视觉研究院专栏

作者：Edison_G

深度学习模型在目标检测的性能上取得了重大突破。然而，在传统模型中，例如Faster R-CNN和YOLO，由于计算资源有限和功率预算紧张，这些网络的规模使其难以部署在嵌入式移动设备上。

一、前言

深度学习模型在目标检测的性能上取得了重大突破。然而，在传统模型中，例如Faster R-CNN和YOLO，由于计算资源有限和功率预算紧张，这些网络的规模使其难以部署在嵌入式移动设备上。

深度学习领域的加速发展极大地促进了目标检测的发展，其在人脸检测、自动驾驶、机器人视觉和视频监控等方面的广泛应用。