目标检测是图像分析与理解等大量高层次视觉任务的基础,YOLOv3作为目标检测技术中最受欢迎的算法之一,由于具有良好的泛化能力,应用广泛。为了满足终端设备高检测精度、低内存占用的算法部署需求,本文从提高检测精度、压缩模型参数两个方面对目标检测算法进行研究,最终以YOLOv3为基准对其进行改进。在提高检测精度方面,从可嵌入到模型中的注意力方法和模型训练时使用的数据增强方法两个角度入手。针对注意力,结合YOLOv3算法的检测原理,将锚框信息作为先验知识引入到注意力方法中,得到改进的注意力方法。对比实验表明,使用了改进的注意力方法的YOLOv3算法相比于原始的YOLOv3算法在VOC2007和VOC2012数据集上分别有0.7%和0.4%的mAP提升。针对数据增强,将MixUp和Mosaic两种方法结合得到改进的数据增强方法。为验证改进方法的通用效果,使用基准网络PyramidNet在CIFAR-100和CIFAR-10数据集上进行对比实验,结果表明,模型训练时使用改进的数据增强方法之后,Top-1错误率相比于未使用之前分别降低2.47%和1.31%。在模型压缩方面,提出将零激活占比大于阈值的卷积核过滤掉之后再进行FPGM剪枝的改进策略。为验证改进方法的通用效果,以ResNet-56为基准网络在CIFAR-10数据集上进行对比实验,结果表明,ResNet-56使用改进的FPGM剪枝策略后,相比于未剪枝之前FLOPs减少53%左右,准确率相比于未剪枝之前提高0.05%左右。综合以上提出的改进方法,在MS COCO数据集上进行对比实验。结果表明,YOLOv3算法网络结构中添加改进的注意力方法,训练时使用改进的数据增强方法,得到推理模型后再用改进的FPGM剪枝策略进行剪枝,最终AP可达到37.9%,相比于未改进之前提高6.9%,网络参数量由59.6M降低到33.1M。改进的YOLOv3算法相比其他性能优异的算法虽有一些差距,但相比YOLOv3本身仍有较大的性能提升。