EdgeYOLO：边缘设备上实时运行的目标检测器及Pytorch实现

主要观点总结

文章介绍了一种增强的数据增强方法和混合随机损失函数，以提高小目标的检测精度，并满足边缘计算设备的实时性要求。文章还探讨了目标检测领域的一些挑战和现状，包括两阶段和单级目标检测器的优缺点，以及在边缘计算设备上的实时物体检测的挑战。

关键观点总结

关键观点1: 研究重点

开发增强数据增强方法抑制训练过拟合，设计混合随机损失函数提高小目标检测精度。为满足边缘计算设备的实时性要求，提出了一种更轻、更高效的解耦头。

关键观点2: 数据增强策略的挑战

随机数据扩充可能导致标签无效，影响训练。为解决此问题，研究者提出了Enhanced-Mosaic和Mixup的新方法。

关键观点3: 边缘计算设备上的目标检测挑战

两阶段目标检测器不能满足边缘计算设备的实时性要求。研究者通过设计更轻、参数更少的模型和优化解耦头结构来解决这个问题。

关键观点4: 实验成果

提出的基线模型在MS COCO2017和VisDrone2019 DET数据集上取得了良好的检测结果，并满足了边缘计算设备Nvidia Jetson AGX Xavier的实时性要求。