论文地址: https://arxiv.org/pdf/2302.00386v1.pdf
github: https://github.com/meituan/YOLOv6/releases

I. 引言

自从VGG在图像分类任务中取得成功以来，卷积神经网络设计已经引起了学术界和工业界的广泛关注。目前已经提出了大量经典网络，如Inception和Resnet等。这些精心设计的架构使得图像分类的准确性越来越高。除了手动设计之外，最近神经网络架构搜索也自动设计出了几个代表性的网络，如Nasnet和AmoebaNet等。虽然复杂的网络为视觉任务（如图像分类、目标检测和分割）带来了成功，但这些网络在部署硬件上可能无法获得适当的准确度-速度平衡。

深度学习网络设计和部署以提高硬件效率一直是研究的重点。传统的推断效率评估指标是浮点运算（FLOPs）和参数数量。然而，这些指标不能代表与硬件的关系，例如内存访问成本和I/O吞吐量。图3展示了计算能力与内存资源之间的关系。因此，本文面临一个重要的问题：如何设计一个友好于硬件的网络，以实现更好的准确性-速度平衡？