边缘计算场景下基于超轻量级目标检测模型实现裸土扬尘检测

目标检测任务已经是有比较成熟解决方案的了，很多不同的检测方法和算法模型层出不穷，很多时候我们看到论文中描述的fps都可以轻松突破几十甚至是几百，这个的确是很诱人的数据结果，比如YOLOv3将近250MB大小的模型fps都能这么高：

 这个不能说数据假，而是要清楚明白这样的测试结果是在什么样的硬件水平下面测试得到的，拿到的硬件指标就不难理解这个数据了，但是在实际业务场景里面，很多时候不可能给你都配备那么高级的GPU显卡设备，甚至很多时候就连一块好的CPU都没有，只有在比较弱的算力下完成计算，而且还要保证近乎实时性的要求，我在最开始的时候很多模型都尝试过，但是最终的推理时间太过于感人，比如：YOLOv3、YOLOv4等等，这样的模型太过于庞大，虽然模型的检测精度本身是不错的，但是没有办法实际落地应用。

在轻量级或者是超轻量级模型方面，很多大神或者是公司都有过尝试，我们之前也都从剪枝、量化、蒸馏等几方面进行过尝试，的确是比较耗费精力，因为实际的业务场景是比较多的，不能在单个业务场景下耽误太久的时间精力，图像识别也是一个相同的道理，摸索了很多项目，尝试了很多方法之后，最后总结出来的经验就是：与其选择庞大的模型训练之后再缩减体积，倒不如最开始模型构建和选型层面就多做研究，这样后期就可以很少甚至是不花时间在缩减体积上面。

在我之前的文章里面也有写过一篇关于本文模型的文章，是做的火点烟雾的检测的，如下&