最近几年,深度学习已经在诸多领域取得了重大进展,例如自然语言处理、语音识别以及机器视觉等领域。得益于此,人工智能技术也取得了长足的进步,目前已广泛的应用于机器人、无人机、自动驾驶汽车等诸多领域。其中的导航与避障系统离不开实时的目标检测算法。伴随着大规模图像数据集和高性能GPU的出现,卷积神经网络成为在目标检测领域占主导地位的方法。然而大部分卷积网络模型难以在嵌入式平台部署,实时性差、能耗高是它们共同面临的问题,必须设计出一种简洁高效的网络结构以满足嵌入式设备的需求。本文提出了一种轻量级卷积网络架构,对其结构进行优化,构建出一套能在Jetson TX2平台部署的目标检测系统,可用于对夜间道路场景的车辆等目标进行检测。本文的主要研究内容可以概括如下:1.设计了一种轻量级的卷积神经网络架构作为特征提取网络。通过分析Res Net、Shuffle Net、Dark Net等架构,吸取其优点,结合深度可分离卷积和残差结构,搭建本文的网络模型;基于单阶段的YOLO目标检测算法,构建出Shuffle Detector模型家族。能够满足不同场景的应用需求,可以根据需求选择精度更高或者速度更快的模型。2.采集并构建了两个针对夜间道路场景数据集,可以为后续其它的研究工作提供数据支持。数据采用FLIR公司生产的Zenmuse XT热成像相机进行拍摄,并安排人工标注和审核。按照VOC2007数据集的标注规范和格式,构建了两个目标检测数据集,分别对应红热和白热两种图像模式。使用这两个数据集进行训练,测试Shuffle Detector的检测精度。3.使用注意力机制和推理优化技术进行模型优化,并部署到目标平台Jetson TX2上。本文将通道注意力机制和空间注意力机制结合使用,改进了网络模块的结构,增强了特征提取能力。在模型部署时,采用计算图优化技术进行处理,精简网络的计算节点,减少计算和调度开销。同时使用半精度推理,以16位浮点数加载数据运行检测模型,进一步提升了运行效率。实验表明,Shuffle Detector在多个数据集上都能够提供较好的检测结果,同时具有较低的参数量和浮点运算量。其中参数最少的Shuffle Detector Half模型在Jetson TX2开发板上测试速度能够达到约128FPS,具有较好的实时性,能够满足嵌入式设备需求,适合需要快速目标检测的任务场景。