一、本文介绍
本文给大家带来的改进机制是MobileNetV1，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。这些模型基于简化的架构，并利用深度可分离卷积构建轻量级深度神经网络，其引入了两个简单的全局超参数，用于在延迟和准确性之间进行有效的权衡。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性，这个模型非常适合轻量化的读者来使用。
适用检测目标：轻量化网络结构适合轻量化的读者
推荐指数：⭐⭐⭐
专栏回顾：YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新
二、MobileNetV1的框架原理
MobileNetV1的论文《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》介绍了一种高效的模型集合，专为移动和嵌入式视觉应用设计。这些模型基于简化的架构，并利用深度可分离卷积构建轻量级深度神经网络，从而适应移动和嵌入式设备的计算和存储限制。这种架构包含两个步骤：深度卷积（Depthwise Convolution）用于单独处理每个输入通道，然后是逐点卷积（Pointwise Convolution），用于整合深度卷积的输出。通过这种分解，MobileNet显著减少了模型的大小和计算复杂度，同时保持了良好的性能。论文还引入了两个全局超参数，允许在网络大小、速度和准确性之间进行灵活的权衡。
MobileNet的主要创新点包括：
1. 深度可分离卷积：该网络架构使用深度可分离卷积代替标准卷积，显著减少模型参数和计算量。 2. 宽度乘数：提供了一个超参数来调节网络的宽度，从而使得模型可以根据需要进行缩放，适应不同的性能和资源要求。 3. 分辨率乘数：允许调整输入图像的分辨率，进一步减少计算量。 其中第二点和第三点，在代码中很清楚的就能看到如下图红框的所示，分别对应第二点和第三点。
深度可分离卷积如下图所示
这张图片描绘了深度可分离卷积的概念，其中标准的卷积滤波器（a）被分解为两个独立的层：深度卷积（b）和逐点卷积（c）。在深度卷积中，每个输入通道独立应用一个滤波器，而逐点卷积则使用1x1的卷积核来组合深度卷积的输出。这种分解方法显著减少了计算量，因为它将卷积操作分为两个更简单的步骤：一个是应用于每个通道的滤波（深度卷积），另一个是这些滤波输出的组合（逐点卷积）。
