目标检测是计算视觉主要研究问题之一,其利用特征提取、机器学习、深度学习等技术判断图像中目标位置与类别,在生产生活中应用广泛。基于卷积神经网络的目标检测算法因其特征表达能力及鲁棒性较强而受到广泛关注,但其生成的目标检测模型计算复杂度高、权重参数多、生成检测模型规模大,难以在计算力及内存受限的场景应用。针对上述问题,本文提出一种轻量级的多目标检测方法IR-YOLO(Inverted Residual YOLO)。首先,利用深度可分离卷积替代常规卷积,解耦“空间-跨通道”的特征学习过程,以减少参数存储量及计算量;其次,引入批量规范化层,并且基于深度可分离卷积构造反残差块,以减少信息损失,提高模型检测精度;然后,应用6个下采样层和6个反残差块堆叠构建特征提取网络;此外,借鉴特征金字塔思想,采用多尺度特征图融合的方式,即深层特征图通过上采样操作连接浅层特征图,最终生成两种尺度的特征图;最后,搭建轻量级目标检测框架,在生成的两种尺度的特征图上进行目标检测。对IR-YOLO算法进行实验验证,与改进前算法、YOLO系列算法进行对比实验,客观地从检测速度及精度、计算消耗、模型尺寸四个方面评价其性能。实验结果表明:IR-YOLO方法能够在确保检测效率的基础上有效缩减参数,减少计算量,从而降低计算复杂度,缩减模型尺寸,进而改善基于深度学习的目标检测模型对运行硬件平台计算资源依赖较大的问题。该论文有图33幅,表17个,参考文献62篇。