在上个十年,目标检测领域出现了许多基于深度卷积网络的优秀模型。在性能不断提升的同时,算法计算量严重增加。在以智能驾驶为代表的边缘计算应用场景中,目标检测算法需要离线推理,实时性要求严格,且计算硬件资源有限,很难满足大型网络推理的需求。Nvidia等厂商针对边缘计算场景研发了高性能硬件平台,这引入了新的课题:如何改良目标检测算法以适应边缘计算需求,并高效地利用边缘计算硬件设备。为了提高计算效率,本文提出了一个基于YOLOv5的轻量级目标检测算法。研究了YOLOv5网络结构,基于特征金字塔和路径扩充结构搭建了特征融合网络,引入基于锚定框的位置回归,搭建了多尺度检测头。在此基础上对算法进行了一些优化,包括使用H-swish激活函数,引入C-Io U计算位置损失,空间金字塔池化结构的优化和注意力结构的移除。研究了流行的卷积神经网络模型,分析了逐点卷积、深度可分离卷积等轻量级结构高效的原因。分析轻量级网络Shuffle Net V2基本单元原理,对通道重排和通道分割结构进行了改进,解决了特征复用不均匀问题,并引入了逆残差结构。使用改进后的基本单元搭建了轻量级骨干网络,替换YOLOv5原本的主干网络,在保持网络宽度不变的情况下,显著降低了参数量和计算量,同时增加了网络深度。研究了快速算法原理,推导了Winograd快速卷积算法,通过减少冗余乘法提高计算效率。基于CUDA实现了im2col+GEMM快速卷积算法,主要改进是优化了访存效率并复用了缓存。实现了卷积层/批正则化层算子融合,通过改变权值的方式优化掉了批正则化层,减小计算量的同时减小了核函数调用。研究了水平算子融合方法,通过融合并行等尺寸卷积核,提升了CSP模块的效率。论文最后,在多个平台上进行了消融实验,验证了论文中对YOLOv5、Shuffle Net V2改进措施的有效性。同时,在Jetson Nano硬件平台部署了前文设计的轻量化目标检测网络,使用MS COCO验证集对所构建的算法进行评估,构建简单的视觉系统进行实际测试,证明了模型轻量化、推理加速工作的价值。在上述工作的基础上,总结了卷积神经网络轻量化的规律,为将来的工作提供了经验性的指导。