无人机因为硬件计算能力较弱，要在其上实现实时的目标检测，需要算法参数量小、占用内存少、推断时间短。常见的算法往往难以直接应用。
一种比较直接的做法是对模型进行剪枝，尽量减少模型卷积层不必要的通道。
今天arXiv新上论文SlimYOLOv3: Narrower, Faster and Better for Real-Time
UAV Applications，作者对YOLOv3的改进版进行了剪枝，在参数量、占用内存、推断时间大幅减少的情况下，在无人机目标检测数据集上实现了与原算法可比较的检测精度。
作者已将代码开源，包含训练和测试部分，值得从事相关工程开发的朋友参考。
以下是作者信息：
作者全部来自北京理工大学。
下图为作者发明的三种设置下的SlimYOLOv3 相比较基线版本的YOLOv3的结果：
YOLOv3-tiny 是YOLOv3的一种快速算法，但精度下降太多。
YOLOv3-SPP1 是YOLOv3加上SPP模块的改进，其比原始YOLOv3精度要高。
YOLOv3模型中加入SPP模块的示意图，作者是在原第5和第6卷积层之间加SPP模块
YOLOv3-SPP3 是该文作者YOLOv3-SPP1的改进，其有3个SPP模块，比YOLOv3-SPP1精度更高，是本文模型剪枝的基础模型。
SlimYOLOv3-SPP3-50/90/95，是YOLOv3-SPP3模型剪枝率分别为50%、90%、95%的三个模型。
可见模型剪枝可大幅改善模型在无人机上的部署，有一定的精度损失，但远比YOLOv3-tiny要好。
剪枝过程
什么是深度模型的剪枝？就像论文名字中的更窄（Narrower），它是要减少模型通道数。
去除每个卷积层中不重要的特征通道。所以需要合理地评估特征通道的重要性。
下图可以较为明了地说明整个过程。
YOLOv3经过稀疏训练，得到各通道的尺度因子，然后去除那些尺度因子小的通道，将剪枝得到的模型SlimYOLOv3在数据集上进一步微调，得到检测结果，然后进入下一轮的稀疏训练。以上剪枝过程是迭代重复的，直到满足一定的模型条件，比如模型剪枝率达到一定要求。
实验结果
作者通过上述方法，在配置为 Intel(R) Xeon(R) E5-2683 v3 CPU @ 2.00GHz (56 CPUs), 64GB RAM, 4 个 NVIDIA GTX1080ti GPU的 Linux 机器上训练，得到三个剪枝模型，并在无人机目标检测数据集 VisDrone2018-Det上进行了实验，结果如下：
可见在精度稍有下降的情况下，推断时间（Inference time）、参数量（Parameters）、内存占用（Volume）大幅减少，更适合在无人机部署。
下图为各算法结果比较的柱状图，更加直观。
检测结果示例：
作者已将代码开源，各位读者可以非常方便地进行训练和测试。
每个步骤仅需要一行命令！
原始模型训练：
./darknet/darknet detector train VisDrone2019/drone.data cfg/yolov3-spp3.cfg darknet53.conv.74.weights稀疏训练：
python yolov3/train_drone.py --cfg VisDrone2019/yolov3-spp3.cfg --data-cfg VisDrone2019/drone.data -sr --s 0.0001 --alpha 1.0通道剪枝：
python yolov3/prune.py --cfg VisDrone2019/yolov3-spp3.cfg --data-cfg VisDrone2019/drone.data --weights yolov3-spp3_sparsity.weights --overall_ratio 0.5 --perlayer_ratio 0.1模型微调：
./darknet/darknet detector train VisDrone2019/drone.data cfg/prune_0.5.cfg weights/prune_0.5/prune.weights论文地址：
https://arxiv.org/pdf/1907.11093v1.pdf
代码地址：
https://github.com/PengyiZhang/SlimYOLOv3
感谢论文作者的分享！
