Lightweight Object Detection: A Study Based on YOLOv7 Integrated with ShuffleNetv2 and Vision Transformer

随着移动计算技术的快速发展，将高效的目标检测算法部署在移动设备上成为计算机视觉中至关重要的研究领域。本研究针对优化YOLOv7算法，提高其在移动平台上的操作效率和速度，同时确保高准确性。利用先进技术的协同作用，如Group Convolution、ShuffleNetV2和Vision Transformer，本研究有效地减少了模型的参数数量和内存使用，简化了网络架构，并增强了在资源受限设备上的实时目标检测能力。实验结果显示，经过优化的YOLO模型表现出了出色的性能，显著提高了处理速度，同时保持了卓越的检测精度。

优化移动设备上的YOLOv7算法，提高其在资源受限设备上的实时物体检测能力。

采用Group Convolution、ShuffleNetV2和Vision Transformer等先进技术，优化模型参数和内存使用，简化网络架构，提高实时物体检测能力。

实验结果显示，优化后的YOLO模型在保持高精度的同时，大幅提高了处理速度。论文还开源了代码，使用了多个数据集进行实验，这些工作值得进一步研究。

近期相关研究包括：EfficientDet、MobileNetv3和Pelee等。