模型体积压缩14倍
面向边缘设备部署的YOLO混合精度量化网络，1-bit骨干协同4-bit检测头，在保持检测精度的同时大幅降低计算与存储开销。
Liu, Xinyu · Tao, Wang · Yang, Jiaming · Tang, Chenwei · 吕建成
Neurocomputing 2024
1-bit骨干网络大幅减少了乘法操作，相比全精度模型计算复杂度降低16.3倍，使模型能在算力有限的设备上高效运行。
权重被量化到极低比特，模型存储需求降低14.2倍，更容易装入边缘设备有限的内存中。
在VOC和COCO数据集上分别取得74.7%和51.5%的mAP，证明极端量化下检测性能仍具竞争力。
采用统一骨干和检测头位数设计，避免层级混合量化带来的冗余数据搬移，提升资源利用率，简化硬件部署。