属于嵌入式和移动设备的轻量级 YOLO 模型 ！

主要观点总结

本文介绍了针对移动应用的光轻目标检测技术的最新进展，提出了一种新的YOLO模型缩放方法。作者提出的架构FPAN和DNiN使用了轻量级操作，如逐点卷积和深度卷积，旨在构建高效的目标检测神经网络。主要贡献包括：提出基于信息瓶颈理论的轻量级Backbone网络设计，优化了通道数量和层数；设计了快速PANet（FPANet）作为neck结构，减少了计算流并强化了语义信息层次；提出了Decoupled Network in Network Head（DNiN），以点卷积为中心的目标检测head结构。最终，作者提供了多个版本的LeYOLO模型，从超低计算资源到高端配置，均实现了具有竞争力的性能。在MSCOCO数据集上，LeYOLO-Small和LeYOLO-Medium分别达到了与最新目标检测器相似的准确度和更低的FLOPs。

关键观点总结

关键观点1: 新型YOLO模型缩放方法。

作者提出了一种新型的YOLO模型缩放方法，专注于计算效率和准确度的平衡，旨在满足移动和嵌入式设备的需求。

关键观点2: 基于信息瓶颈理论的轻量级Backbone网络设计。

作者利用信息瓶颈理论优化通道数量和层数，以提高计算效率和模型性能。

关键观点3: 快速PANet（FPANet）设计。

作者设计了FPANet作为模型的neck结构，减少了计算流并强化了语义信息层次，提高了模型的性能。

关键观点4: Decoupled Network in Network Head（DNiN）提出。

作者提出了DNiN结构，以点卷积为中心的目标检测head结构，提高了模型的分类和回归性能。

关键观点5: 多个版本的LeYOLO模型。

作者提供了多个版本的LeYOLO模型，从超低计算资源到高端配置，均实现了具有竞争力的性能。