【Unet VS MobileNetV3Unet】Unet模型替换主干为MobileNetV3轻量化对比实验结果分析
《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
目录
引言
本文主要介绍在某数据集上使用MobileNetV3替换Unet分割模型主干后的MobileV3_Large_Unet 和 MobileV3_Small_Unet 与原始Unet模型的实验对比情况，包括模型效率与模型性能指标的详细比较。
Unet网络结构
上图为Unet的网络结构，左侧为下采样特征提取的主干部分。我们将其使用MobileNetV3网络进行替换，以达到整体网络模型轻量化的目的。
模型效率对比
以下是UNet以及使用MobileNetV3替换主干后变体模型的模型效率性能对比表格，包含模型文件大小、推理时间及FPS等关键指标：
| 模型名称 | 模型文件大小 | 平均推理时间 (512×512) | FPS | 参数量 |
|---|---|---|---|---|
| Unet | 33.01 MB | 14.33 ms | 69.81 | 4,318,467 |
| MobileV3_Large_Unet | 26.59 MB | 5.02 ms | 199.23 | 3,454,163 |
| MobileV3_Small_Unet | 8.13 MB | 3.97 ms | 252.05 | 1,043,619 |
结果分析：
-
轻量化优势
MobileNetV3系列通过深度可分离卷积和结构优化显著减小模型体积，其中Small版本参数量仅为原UNet的24%，文件大小减少75%，推理速度提升3.6倍。 -
性能权衡
- MobileV3_Large：在参数量接近原UNet80%的情况下，推理速度仍快2.8倍，适合对精度和速度均有要求的场景。
- MobileV3_Small：极致轻量化，FPS高达252，
适用于实时性要求高的移动端部署。
精度指标对比
以下是UNet以及使用MobileNetV3替换主干后变体模型的模型精度对比表格：
| 模型名称 | IoU | Precision | Recall | Global_PA |
|---|---|---|---|---|
| Unet | 86.1 | 90.9 | 93.7 | 98.98 |
| MobileV3_Large_Unet | 82.9 | 88.9 | 91.7 | 98.41 |
| MobileV3_Small_Unet | 80.6 | 87.2 | 90.5 | 98.2 |
性能对比分析
以下是对 Unet、MobileV3_Large_Unet 和 MobileV3_Small_Unet 三个模型在 IoU、Precision、Recall 和 Global_PA 四个关键指标上的详细对比分析：
1. 交并比（IoU, Intersection over Union）
- Unet: 86.1
- MobileV3_Large_Unet: 82.9
- MobileV3_Small_Unet: 80.6
分析：
- Unet 的 IoU 最高（86.1），表明其分割结果与真实标注的重叠区域最大，分割精度最优。
- MobileNetV3 的两个变体中，Large 版本（82.9）优于 Small 版本（80.6），说明模型容量（参数量）对分割精度有直接影响。
- 差距：Unet 比 MobileV3_Large 高 3.2%，比 MobileV3_Small 高 5.5%，说明 Unet 在复杂场景下的分割能力更强。
2. 精确率（Precision）
- Unet: 90.9
- MobileV3_Large_Unet: 88.9
- MobileV3_Small_Unet: 87.2
分析：
- Unet 的精确率最高（90.9），说明其预测为正类的样本中，真实为正类的比例最高（误检率最低）。
- MobileNetV3 的两个版本中，Large 的精确率（88.9）仍优于 Small（87.2），但差距缩小（仅差 1.7%）。
- 实际意义：Unet 更适合对误检敏感的任务（如医学影像中避免假阳性）。
3. 召回率（Recall）
- Unet: 93.7
- MobileV3_Large_Unet: 91.7
- MobileV3_Small_Unet: 90.5
分析：
- Unet 的召回率最高（93.7），表明其能检测出最多的真实正类样本（漏检率最低）。
- MobileNetV3 的 Large 和 Small 版本差距较小（1.2%），说明轻量化对召回率的影响相对有限。
- 实际意义：Unet 在需要高覆盖率的场景（如自动驾驶中的障碍物检测）表现更优。
4. 全局像素准确率（Global_PA）
- Unet: 98.98
- MobileV3_Large_Unet: 98.41
- MobileV3_Small_Unet: 98.2
分析：
- 三者的 Global_PA 均超过 98%，说明在像素级别的分类任务中，所有模型表现均较好。
- Unet 仍领先（98.98），但与其他模型的差距较小（与 MobileV3_Large 仅差 0.57%）。
- 实际意义：对于简单的像素级分类任务，MobileNetV3 的轻量化版本可能已足够。
选型建议
- 优先选择 Unet：
- 适用场景：医疗影像、卫星图像分割等需要高精度的任务。
- 缺点：模型参数量大，推理速度可能较慢。
- 选择 MobileV3_Large_Unet：
- 适用场景：实时性要求较高的任务（如视频分割、移动端应用，无人机避障、AR应用）。
- 优点：在轻量化模型中性能最接近 Unet。
- 选择 MobileV3_Small_Unet：
- 适用场景：极度资源受限的环境（如低功耗 IoT 设备，手机APP、实时视频处理）。
- 缺点：性能下降明显（IoU 比 Unet 低 5.5%）。
总结：
- Unet：高精度（IoU 86.1），但效率低（FPS 69.81，文件大33.01MB），适合对精度要求高的任务，但计算成本可能较高。
- MobileV3_Small_Unet：效率极高（FPS 252.05，文件仅8.13MB），但精度最低（IoU 80.6）适合边缘设备（如手机、嵌入式设备）。。
- MobileV3_Large_Unet：是轻量化与性能的折中选择（FPS 199.23，IoU 82.9）。
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
加入社区！打开量化的大门，首批课程上线啦！
更多推荐
24
0- 0
已为社区贡献4条内容
所有评论(0)