《表4 各阶段训练结果图：基于MobileNet与YOLOv3的轻量化卷积神经网络设计》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于MobileNet与YOLOv3的轻量化卷积神经网络设计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

网络的训练和测试平台为显卡2070、显存为8 GB的工作站，训练的数据集采用VOC2012、VOC2007，测试数据集采用VOC2007(test）；超参数设定为Batch size=6、Momentum=0.9、Weight decay=0.000 5、初始学习率为Learning rate=10-4并根据迭代次数更新学习率。表4显示，网络轻量化策略的第一阶段（卷积方式改变阶段），模型的参数量减少到了原来的1/9，但性能却有一定的损失；在第二阶段（层间剪枝阶段）网络的参数量有轻微的减低，同时性能也有轻微的损失，分析其原因在于这一阶段的主要目的是通过网络层数的合理性来修建网络，虽然在对YOLOv3进行这一策略时效果有限，但是在对其他的网络进行轻量化设计时网络结构的层数对模型的大小有较大的影响；而第三阶段（层间剪枝）模型的大小只缩减了1.9 MB，但速度提升了1 ms，性能有微弱的下降，分析其原因该阶段的的剪枝策略仅针对深层网络的中的标准卷积层。轻量化网络训练共分为三个阶段，分别是：卷积方式改变阶段、深层网络层对mAP影响阶段、FPGM策略剪枝阶段。各阶段的训练结果如表4所示。