目标检测是计算机视觉领域的一个热门研究方向,被广泛应用于智能安防、智慧城市、电力巡检、无人驾驶等众多领域。与传统的基于手工设计特征的算法相比,使用深度神经网络的目标检测算法无论是检测精度还是检测速度都获得了巨大的提升。深度神经网络是一种存储密集型和计算密集型的算法,该算法可以在高性能GPU上实时的运行,但是在存储资源和计算资源有限的嵌入式平台上却难以实现。因此,研究如何在保证检测精度的前提下将目标检测算法部署到嵌入式平台上具有极其重要的现实意义。本文在YOLOv3目标检测算法的基础上,结合轻量级神经网络、模型压缩和计算加速技术在嵌入式ARM平台上实现了 一个实时的目标检测系统。具体工作内容如下:(1)针对YOLOv3算法,本文通过对比几个主流的轻量级神经网络,最终选取模型参数少且特征提取能力强的MobiNetV2代替Darknet53作为YOLOv3算法的主干网络。(2)卷积神经网络的模型压缩方面,本文使用一种基于通道剪枝的模型压缩方法主要针对批量归一化层前面的卷积层进行通道剪枝,卷积输出特征图的每个通道都有批量归一化层的缩放因子与之对应,通过对缩放因子施加L1正则化惩罚可以得到稀疏化的缩放因子,然后根据缩放因子的大小评估通道的重要程度,按照一定的比例剪掉重要程度较低的通道,从而达到模型压缩的目的。实验证明该方法可以在保证算法精度的同时显著提高网络的推理效率。(3)为了将目标检测算法移植到嵌入式ARM平台和X86平台,本文针对YOLOv3前向推理过程的特点,一方面通过合并相邻的网络层来节省存储空间和内存访问次数,另一方面使用向量化指令集和OpenMP技术对卷积网络的密集型计算进行优化加速。实验证明,这两种方法可以有效的提高卷积神经网络在CPU上的推理速度。