随着深度学习的发展,目标检测技术取得了重大的突破,涌现出很多优秀的卷积神经网络模型。这些模型大部分计算量和体积都很大,只能运行在高性能的服务器上。然而目前人们在移动终端上对目标检测有着巨大的需求,受限于移动设备的计算资源和电池容量等问题,要求检测模型在满足检测准确率的条件下,需做到足够小、足够快、足够稳定。因此,本论文将在研究已有检测模型的基础上,从模型的稳定性、轻量化设计及提高检测准确率等方面进行深入研究,提出一套可行的轻量化目标检测模型的设计思路,并将轻量化后的模型部署在手机等移动终端设备上。首先,针对轻量化模型在图像预处理阶段采用不同缩放算法时导致的模型不稳定性问题进行了研究。由于不同移动终端上的计算库不同,导致模型的缩放算法很难统一。若预处理时固定图像缩放算法,则会导致模型“过拟合”到该种缩放模式中,而对其他缩放算法的适应能力较差,这对于轻量化模型的训练是不利的。为此,本文提出在训练数据中增强出多种图像缩放“模式”,来提升训练数据的多样性,并结合知识蒸馏技术训练神经网络来增强其对不同缩放算法的泛化能力。实验结果证实了该方法的有效性。其次,本文对基于Retina Net的轻量化目标检测模型进行研究,从模型轻量化设计及提高检测准确率两方面对模型进行改进:(1)分析将Retina Net的三个组成部分(骨干网络、FPN、检测头)分别换成轻量化网络结构后,对检测准确率的影响,发现FPN部分在轻量化网络设计上最不敏感,而检测头中输出物体分类的分支比输出物体位置的分支更为敏感,因此提出了基于Mobile Net V2的改进网络块来轻量化Retina Net模型的FPN部分,并通过减少FPN最底层特征上检测头的锚点数量,实现了模型计算量的降低。(2)提出一种基于检测框信息的知识蒸馏方法来提升检测模型的准确率。在传统的知识蒸馏基础上,通过在Retina Net中输出额外的检测框IOU置信度,并利用该置信度蒸馏检测框信息,降低了因检测模型轻量化而导致的精度损失。最后,本文构建了一个在学术及工业上较实用的服饰检测数据集,结合前面提出的目标检测技术,设计并实现了一个轻量化服饰检测模型,通过替换FPN的上采样算法、BN融合、并行NMS等操作,完成了在手机上的部署。该轻量化服饰检测模型已经在某大型互联网公司落地应用,不但降低了企业带宽的消耗,而且由于其检测速度的高效性,获得了日均百万的用户访问量。