序言
不知道大家有没有发现，近两年目标检测算法发展非常的快，恍惚一看，单阶段算法几乎统一了目标检测，各种高性能的目标检测算法层出不穷，印象中是在YOLOv4出来后，基于YOLO的改进变得一发不可收拾，各种改进版本精度越来越高、速度越来越快，同时模型体积也越来越小，越来越多的轻量型模型涌现，更适合移动端部署。这篇文章花点时间来盘点一下一些在github上比较火的轻量型目标检测算法，收藏也方便以后工程中实践。
一、yolov5
github：https://github.com/ultralytics/yolov5
说到目前最火的目标检测算法，yolov5绝对当仁不让，如果说yolov4是导火线，那yolov5就是引爆目标检测界的那个火石，记得当初刚出来的时候，还被大家扣上一个“名不正，言不顺”的帽子，因为没有论文产出，甚者很多工作和yolov4高度重合，很多业内人事都不愿意承认它作为yolo系列的“正统”，但是随着时间的演进，yolov5逐渐为自己证明，其高精度、低耗时、易训练、易部署、好上手等特点，让yolov5的热度一举超过yolov4，成为当前目标检测界的主流，并且作者也一直在维护，新版本精度越来越高、速度越来越快、模型越来越小，截至目前为止，yolov5已经迭代到了第六个版本。
关于yolov5的原理我就不多介绍了，hub中提供了五个基线版本，x、l、m、s、n，前四个模型是一直都有的，虽然说它们模型体积相对于其他算法而言已经很小了，但是对于移动端而言还是太大了一些，所以作者推出了了n版本，专门为了移动端设计，参数量仅为1.9M，map精度也达到了28.4，各个模型精度指标如下所示：
二、yolox
github：https://github.com/Megvii-BaseDetection/YOLOX
yolox是作为今年的yolo系列的后起之秀，一出来各种夸张的标题就把我吓到了（不得不说有些公众号的标题党太恶心了），还好自身实力过硬，也收割了一波粉丝，最关键的是把部署的代码都帮你写好了，可谓业界良心，这也为了后面的目标检测算法竖立了标杆。
yolox的原理网上也很多，篇幅原因我就不详细讲解了，来看下yolox的精度指标，与yolov5对比，似乎每个版本的精度都有很大提升，实际项目情况我也没有对比过，不过在发布后的大半年时间里业内认可度非常不错，两者都是非常优秀的算法，只能说萝卜青菜，各有所爱了，小孩子才做选择，我全都要！！
因为本文主要介绍的是轻量型模型，所以重点关注轻量的模型Nano和tiny版本，nano版本在0.91M参数量的情况下，416尺度推理精度达到了25.8，还是非常不错的；再看tiny版本，tiny版本一直是yolo系列中的一个特色，所以yolox也继续发扬了这一项工作，在参数量减少的情况下，大幅提高了tiny版本的精度，达到了32.8，要知道18年yolov3刚出来的时候，最高的精度也才33，现在tiny版本的精度已经赶上v3正版了，不得不感叹这两年的目标检测技术发展的迅猛，隐约有种被卷死的不详预感，所以各种同学一定要坚持学习啊，千万不要懈怠了。
三、nanodet
github：https://github.com/RangiLyu/nanodet
YOLO之外的另一选择，手机端97FPS的Anchor-Free目标检测模型NanoDet现已开源
超简单辅助模块加速训练收敛，精度大幅提升！移动端实时的NanoDet升级版NanoDet-Plus来了！
nanodet去年刚出来的时候非常的火，基于FCOS改进的anchor-free算法，在速度和精度上都有很好的权衡，并且部署比较友好，当时我也试过这个模型，但是训练出来的效果并不是特别好，所以就一直没怎么用，就当我快忘了它的时候，NanoDet-Plus版本出来了！！
超简单辅助模块加速训练收敛，精度大幅提升！与上一代的NanoDet相比，在仅增加1毫秒多的延时的情况下，精度提升了30%。与YOLOv5-n, YOLOX-Nano等其他轻量级模型相比，在精度和速度上也都高了不少！同时NanoDet-Plus改进了代码和架构，提出了一种非常简单的训练辅助模块，使模型变得更易训练！同时新版本也更易部署，同时提供ncnn、OpenVINO、MNN以及安卓APP的Demo！！
nanodet-plus精度指标看下图，以1.17M的参数量，在416大小的推理下，map达到了30.4，1.5x的版本甚至达到了34.1，且参数量仅为2.44M：
四、PicoDet
github:https://github.com/PaddlePaddle/PaddleDetection
ARM-CPU150FPS | PicoDet助力移动端达到超实时检测（强烈建议工程人员学习）
算法是好算法，但是百度的宣传标题一如既往的夸张，以至于刚出来就被很多人吐槽，不过无伤大雅，算法本身实力够硬，宣传夸张点也不影响我们学习。
作者研究了anchor-free 策略在轻量级目标检测模型中的适用性，增强了Backbone结构，设计了Neck的轻量化结构，提高了网络的特征提取能力。改进了标签分配策略和损失函数，使训练更加稳定和高效。
通过这些优化，创建了一个新的实时物体检测系列架构，名为PP-PicoDet，它在移动设备上实现了优越的物体检测性能。与其他流行的模型相比，该模型架构在准确性和延迟之间实现了更好的权衡。PicoDet-S只有0.99M参数，mAP值为30.6%，与YOLOX-Nano相比，mAP提高了4.8%，同时移动CPU延迟降低了55%，与NanoDet相比，mAP提高了7.1%。当输入尺寸为320时，在移动ARM CPU上达到123 FPS(使用Paddle Lite时达到150 FPS)。PicoDet-L仅3.3M参数的mAP值为40.9%，mAP值提高了3.7%，比YOLOv5s快44%。如下图所示，本文模型远远优于轻量级目标检测的最新结果。
这项工作是百度开源的项目，pp-picoDet也加入了PaddleDetetion的大家庭，如果想用的话需要先熟悉一下paddlepaddle框架，不过说句题外话，paddlepaddle最近的开源工作都做的非常多，基本上覆盖了各个领域，并且效果也停不错的，奈何框架生态一直不太行。
五、yolo-fastest
github:https://github.com/dog-qiuqiu/Yolo-Fastest
github:https://github.com/dog-qiuqiu/Yolo-FastestV2
Yolo-Fastest：超超超快的开源ARM实时目标检测算法
Yolo-FastestV2:更快，更轻，移动端可达300FPS，参数量仅250k
yolo-fastest应该是第一个把yolo系列参数量逼到1M以内的目标检测算法，由记得刚出来的时候非常的震惊，模型大小仅为1.3M，让我第一次直观的感受到原来目标检测算法也可以设计得这么小。感兴趣的可以看上面两篇文章介绍，目前已经更新到V2版本，精度指标如下：
六、yolov5-lite
github:https://github.com/ppogg/YOLOv5-Lite
YOLOv5-Lite：更轻更快易于部署的YOLOv5
一个非常优秀的轻量型yolov5改进版本，整体算法与yolov5基本一致，通过修改了yolov5的backbone达到了模型压缩的目的。
根据不同的backbone分别提供了s、c、g版本，s版本的backbone为shufflenet，c版本的backbone为LCNet，g版本的backbone为Repvgg，与各个轻量型算法的精度对比如下：
这个项目用起来比较友好，开箱方式与yolov5一样，上手起来比较简单，精度也不错，非常值得学习。
七、MutualGuide
github：https://github.com/ZHANGHeng19931123/MutualGuide
【BMVC2021】新一代紧凑型目标检测器MutualGuide
这个项目是偶然间看到了，其实也不算是轻量型吧，因为提供的各个模型参数量其实还是挺大的，但是因为使用的backbone都是偏轻量的，所以还是决定把它算进来。
项目特点：
- 相较于众多已经存在的general目标检测框架，MutualGuide专门针对嵌入式设备设计，在检测速度上有很大优势。
- 支持RetinaNet、FCOS、YOLOF等多种检测头，ResNet、VGG、RepVGG、ShuffleNet等多种特征提取网络，灵活客制化你自己的模型结构。
- 融入Mixup、EMA、Cosine lr decay、Context Enhancement Module、GFocal
loss、Balanced L1 loss、GIOU loss等提升检测性能的工程技巧。 - 支持custom数据集训练与测试、支持混合精度训练和TensorRT推理加速。
- 项目结构清晰，适合初学者入门并熟悉目标检测的pipeline。
八、YOLOv6
github：https://github.com/meituan/YOLOv6
YOLOv6：又快又准的目标检测框架开源啦
YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。
目前只放出了三个小模型，大模型不知道是性能达不到前面几个的标准还是啥，迟迟没有放出来，不过通过对放出来的小模型精度速度等性能对比，效果还是很不错的，不妨在项目中使用试试。
九、FastestDet
github：https://github.com/dog-qiuqiu/FastestDet
FastestDet: 比yolo-fastest更快！更强！更简单！全新设计的超实时Anchor-free目标检测算法
这可能是目前最小的目标检测网络，作者还是上面的fastest-yolo原作，参数量极致的压缩，虽然精度差了点，但是考虑到能把模型参数量压缩得这么小，还是很值的学习一下的，对于一些精度要求不是很高的场景，还是值的去试一试。
FastestDet是设计用来接替yolo-fastest系列算法，相比于业界已有的轻量级目标检测算法如yolov5n, yolox-nano, nanoDet, pp-yolo-tiny, FastestDet和这些算法压根儿不是一个量级，FastestDet无论在速度还是参数量上，都是要小好几个数量级的(不要在拿int8的模型和我fp32的模型比体积了,不公平)，但是精度自然而然也比不过。FastestDet是针对计算资源紧缺的ARM平台设计的，突出单核效能，因为在实际业务场景中，不会把所有CPU资源都给推理框架做模型推理的，假如说你想在例如树莓派, RK3399, RK3568去跑实时目标检测，那么FastestDet是比较好的选择，或者移动端上不想占用太多cpu资源，也可以去用单核并设置cpu sleep去推理FastestDet，在低功耗的条件下运行算法。
十、YOLOv8
Ultralytics YOLOv8 是由 Ultralytics开发的一个前沿 SOTA 模型，可以说是对yolov5进行了全面的升级。它在以前 YOLO 版本的成功基础上，引入了新的功能和改进，进一步提升了性能和灵活性。YOLOv8 基于快速、准确和易于使用的理念设计，使其成为广泛的物体检测、图像分割和图像分类任务的绝佳选择。
YOLOv8的模型图如下
github：https://github.com/ultralytics/ultralytics
集大成者，同时还支持分割、分类任务，开箱简单即用，非常方便。
十一、MMYOLO
MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱，包含了诸多高性能的目标检测算法。它是 OpenMMLab 项目的一部分。
github：https://github.com/open-mmlab/mmyolo/tree/dev
主要特性有：
统一便捷的算法评测
MMYOLO 统一了各类 YOLO 算法模块的实现, 并提供了统一的评测流程，用户可以公平便捷地进行对比分析。
丰富的入门和进阶文档
MMYOLO 提供了从入门到部署到进阶和算法解析等一系列文档，方便不同用户快速上手和扩展。
模块化设计
MMYOLO 将框架解耦成不同的模块组件，通过组合不同的模块和训练测试策略，用户可以便捷地构建自定义模型。
性能如下，下图涉及的检测算法在MMYOLO均支持：
