2.2 学术与产业竞赛

在机器学习领域，模型算法的发展往往归功于学术界与产业界的相关竞赛。以计算机视觉任务为例，在2009年的CVPR会议上，李飞飞实验室正式发布了ImageNet数据集。此后，从2010年到2017年，共举办了8届ILSVRC（ImageNet Large Scale Visual Recognition Challenge）比赛，包括图像分类、目标检测和目标定位单元。它见证了AlexNet、ResNet等当前应用极为广泛的经典模型的诞生。当前在ImageNet这样具有超过1000万张图片、超过2万个类的数据集中，计算机的图像分类水平已经超过了人类。

本书关注的是模型优化与压缩，在这方面，随着近几年学术界和产业界的关注，业界也推出了相关的竞赛，供参赛者验证自己的模型优化方案，与同行进行竞赛，从而推动技术进步。

最为典型的竞赛是低功耗计算机视觉竞赛。它始于2015年，早期名为Low Power Image Recognition Challenge（LPIRC），2020年被更名为Low Power Computer Vision Challenge（LPCVC），旨在推动低功耗计算机视觉模型技术的发展，涵盖计算机视觉中的图像分类、目标检测、图像分割等常用领域。

2015—2017年的竞赛赛道不限定硬件平台，且参赛队伍较少，从2018年开始，出现了在特定硬件平台上的赛道，即Online Track。

在2018年的Online Track图像分类赛道中，参赛者被要求在Google Pixel 2智能手机的CPU单核模式下实时运行ImageNet图像分类模型，处理速度需要达到30ms/image。

在2019年的Online Track图像分类赛道中，参赛者被要求在Google Pixel 2智能手机的CPU单核模式下实时运行ImageNet图像分类模型，处理速度需要达到10ms/image，检测模型则要求达到100ms/image。

在2020年的Online Track图像分类赛道中，参赛者被要求在Google Pixel 4智能手机的CPU单核模式下实时运行ImageNet图像分类模型，处理速度需要达到10ms/image。目标检测赛道的参赛方被要求在Google Pixel 4智能手机的CPU单核模式下实时运行COCO检测模型，处理速度需要达到30ms/image。

比赛组委会根据往年比赛的最优结果和Google MobileNet系列模型来确定帕累托边界，用于评价和比较不同的参赛方案。2018—2023年比赛赛题如表2.3所示。