最近在看轻量化目标检测模型，看到一个应该是目前最轻量，最小的目标检测模型YOLOFastestV2，YOLOFastestV 在模型架构上进行了精简，减少了卷积层的数量，采用了更小的卷积核，以及更紧凑的设计。这种设计允许模型在较低的计算资源下运行，同时保持较高的检测性能。考虑到实时应用的需求，Yolo-FastestV2 设计为能在 ARM 架构（常见于嵌入式系统和移动端）上流畅运行，实现了真正的边缘计算能力。这意味着它可以在无人机、智能摄像头或移动设备等平台上实现即时物体检测。github链接：https://gitcode.com/dog-qiuqiu/Yolo-FastestV2。通过阅读源码，绘制了Fastest-YOLO模型的结构。整个模型的参数量为0.25M（Yolov5s的参数量为7.3M，仅为其1/30）。

手上有一块Atlas200 DK，正好可以测试在边缘端的推理速度，将项目目录下Yolo-FastestV2/modelzoo/coco2017-0.241078ap-model.pth模型转换为.onnx模型上传到开发板上，使用ais_bench推理工具测试推理速度（遇到问题可以去https://gitee.com/ascend/ait/wikis/ait_security_error_log_solution/path_permission_error_log_solution）。使用ATC工具将onnx模型转换为om模型,使用推理脚本om_infer.py进行推理(需要修改输入图片大小为352×352)，测试推理完整图片耗时。

atc --model=_model_name.onnx --framework=5 --output=model --soc_version=Ascend310

图1 Yolo-FastestV2在NPU上推理耗时

图2 Yolo-FastestV2推理完整图片耗时

作为对比，我还测试yolov5s的推理时间。

图3 yolov5s在NPU上推理耗时

图4 yolov5s推理完整图片耗时

图5 推理结果

表1 推理结果对比表

       通过对比，Yolo-FastestV2推理速度比yolov5s快200%以上，虽然Yolo-FastestV2的精度不如yolov5s，但是用在一些对精度要求不高对速度有要求的场景还是非常不错的。总结：YOLO-FastestV2是个牺牲一定精度，大幅提升速度的目标检测模型。