本發(fā)明屬于目標(biāo)檢測(cè)，尤其涉及基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著社會(huì)經(jīng)濟(jì)的持續(xù)發(fā)展，對(duì)目標(biāo)檢測(cè)的可靠性要求也越來越高，傳統(tǒng)的目標(biāo)檢測(cè)方法通常依賴于手工設(shè)計(jì)的特征提取器來獲取目標(biāo)的關(guān)鍵特征，如尺度不變特征變換匹配(sift)算法、加速穩(wěn)健特征(surf)算法和yolov5系列算法等。其中，yolov5系列算法的網(wǎng)絡(luò)結(jié)構(gòu)呈現(xiàn)高度一致性，性能差異主要體現(xiàn)在網(wǎng)絡(luò)深度和寬度的調(diào)整上。yolov5推出了四個(gè)不同版本的模型：yolov5s、yolov5m、yolov5l和yolov5x，四個(gè)版本在模型體積上呈現(xiàn)出遞增的趨勢(shì)，滿足了不同應(yīng)用場(chǎng)景下對(duì)模型復(fù)雜度和性能的需求，但傳統(tǒng)的目標(biāo)檢測(cè)算法往往會(huì)出現(xiàn)漏檢、誤檢等情況，并且在處理復(fù)雜場(chǎng)景和多變目標(biāo)時(shí)往往面臨挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于：提供基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，以解決現(xiàn)有技術(shù)的目標(biāo)檢測(cè)算法往往會(huì)出現(xiàn)漏檢、誤檢等情況，并且在處理復(fù)雜場(chǎng)景和多變目標(biāo)時(shí)往往面臨挑戰(zhàn)的問題。

2、本申請(qǐng)實(shí)施例是這樣實(shí)現(xiàn)的，基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法，包括：提供圖片數(shù)據(jù)集，對(duì)數(shù)據(jù)集中的圖片人工標(biāo)注檢測(cè)目標(biāo)；

3、構(gòu)建yolov5s網(wǎng)絡(luò)模型，yolov5s網(wǎng)絡(luò)模型包括特征融合網(wǎng)絡(luò)和檢測(cè)頭，在特征融合網(wǎng)絡(luò)添加gam注意力機(jī)制，檢測(cè)頭使用siou位置損失函數(shù)；

4、訓(xùn)練yolov5s網(wǎng)絡(luò)模型；

5、測(cè)試yolov5s網(wǎng)絡(luò)模型；

6、輸入未標(biāo)注檢測(cè)目標(biāo)的圖片，獲得檢測(cè)目標(biāo)結(jié)果。

7、可選地，在本申請(qǐng)的一些實(shí)施例中，圖片數(shù)據(jù)集包括網(wǎng)絡(luò)上有開源的圖像和自行拍攝的圖像，其中，自行拍攝的圖像需要利用labelimg標(biāo)注軟件對(duì)該圖像上的檢測(cè)目標(biāo)進(jìn)行人工標(biāo)注；或

8、圖片數(shù)據(jù)集包括融合圖像數(shù)據(jù)集，利用labelimg標(biāo)注軟件對(duì)融合圖像數(shù)據(jù)集中的圖片上的檢測(cè)目標(biāo)進(jìn)行人工標(biāo)注。

9、可選地，在本申請(qǐng)的一些實(shí)施例中，yolov5s網(wǎng)絡(luò)模型還包括輸入和骨干網(wǎng)絡(luò)。

10、可選地，在本申請(qǐng)的一些實(shí)施例中，在特征融合網(wǎng)絡(luò)的后端加入了gam注意力機(jī)制，gam注意力機(jī)制的網(wǎng)絡(luò)結(jié)構(gòu)包括通道注意力模塊和空間注意力模塊。

11、可選地，在本申請(qǐng)的一些實(shí)施例中，通道注意力模塊的計(jì)算公式如下：

12、mc(f1)＝σ(reper(mlp(per(f1))))

13、式中，σ表示sigmoid函數(shù)，per表示維度轉(zhuǎn)換；reper表示反向恢復(fù)維度；mlp表示兩個(gè)具有隱藏層的多層感知機(jī)；f1表示輸入的特征圖，f1∈rc×w×h，其中，c是特征圖通道數(shù)，w×h是特征圖的大?。缓?或

14、空間注意力模塊的計(jì)算公式如下：

15、

16、式中，σ表示sigmoid函數(shù)，表示對(duì)輸入特征圖進(jìn)行特征映射壓縮的7×7卷積運(yùn)算，表示表示對(duì)壓縮后的圖片進(jìn)行升維操作的7×7卷積運(yùn)算，f2表示輸入特征圖。

17、可選地，在本申請(qǐng)的一些實(shí)施例中，siou位置損失函數(shù)包括角度成本λ、距離成本δ、形狀成本ω和iou成本，siou位置損失函數(shù)的計(jì)算公式如下：

18、

19、式中，lsiou表示siou位置損失函數(shù)，λ表示角度成本，δ表示距離成本，ω表示形狀成本和iou是交并比，表示兩框交集面積比它們的并集面積。

20、可選地，在本申請(qǐng)的一些實(shí)施例中，角度成本λ計(jì)算如公式如下：

21、

22、式中，ch是預(yù)測(cè)框中心點(diǎn)與真實(shí)框中心點(diǎn)之間的垂直距離，σ是預(yù)測(cè)框中心點(diǎn)與真實(shí)框中心點(diǎn)連線的距離，α是水平軸和連接每個(gè)框中心的線之間的角度；和/或

23、距離成本△計(jì)算如公式如下：

24、

25、

26、γ2＝2-λ

27、式中，ρx表示在x方向的歸一化距離；ρy表示在y方向的歸一化距離；是真實(shí)框的橫坐標(biāo)；表示真實(shí)框的縱坐標(biāo)；bcx表示預(yù)測(cè)框的橫坐標(biāo)；bcy表示預(yù)測(cè)框的縱坐標(biāo)；cw表示預(yù)測(cè)框中心到真實(shí)框中心的水平距離，ch表示預(yù)測(cè)框中心到真實(shí)框中心的垂直距離；和/或

28、形狀成本ω計(jì)算公式如下：

29、

30、式中，ωw表示水平方向的歸一化系數(shù)參數(shù)；ωh表示垂直方向的歸一化系數(shù)；w表示預(yù)測(cè)框的寬，wgt表示真實(shí)框的寬，h表示預(yù)測(cè)框的高，hgt表示真實(shí)框的高；θ表示控制對(duì)形狀損失的系數(shù)；和/或

31、iou成本計(jì)算公式如下：

32、

33、式中，iou表示預(yù)測(cè)框與真實(shí)真實(shí)框的面積交集與面積并集的比值；b表示預(yù)測(cè)框的面積，bgt為真實(shí)框的面積。

34、相應(yīng)的，本申請(qǐng)實(shí)施例還提供基于改進(jìn)yolov5s的目標(biāo)檢測(cè)系統(tǒng)，包括：圖片數(shù)據(jù)集獲取模塊，用于提供圖片數(shù)據(jù)集，對(duì)數(shù)據(jù)集中的圖片人工標(biāo)注檢測(cè)目標(biāo)；

35、yolov5s網(wǎng)絡(luò)模型構(gòu)建模塊，用于構(gòu)建yolov5s網(wǎng)絡(luò)模型，yolov5s網(wǎng)絡(luò)模型包括特征融合網(wǎng)絡(luò)和檢測(cè)頭，在特征融合網(wǎng)絡(luò)添加gam注意力機(jī)制，檢測(cè)頭使用siou位置損失函數(shù)；

36、yolov5s網(wǎng)絡(luò)模型訓(xùn)練模塊，用于訓(xùn)練yolov5s網(wǎng)絡(luò)模型；

37、yolov5s網(wǎng)絡(luò)模型測(cè)試模塊，用于測(cè)試yolov5s網(wǎng)絡(luò)模型；

38、檢測(cè)目標(biāo)模塊，用于輸入未標(biāo)注檢測(cè)目標(biāo)的圖片，獲得檢測(cè)目標(biāo)結(jié)果。

39、相應(yīng)的，本申請(qǐng)實(shí)施例還提供計(jì)算機(jī)設(shè)備，包括儲(chǔ)存器和處理器，所述儲(chǔ)存器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如上述方法的步驟。

40、相應(yīng)的，本申請(qǐng)實(shí)施例還提供計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如上述方法的步驟。

41、綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

42、本申請(qǐng)為提高yolov5s中小目標(biāo)檢測(cè)能力，基于yolov5s算法提出新的改進(jìn)方法，首先通過在特征融合網(wǎng)絡(luò)中添加gam注意力機(jī)制，使模型更加聚焦對(duì)目標(biāo)檢測(cè)有利的特征，從而提高檢測(cè)的準(zhǔn)確性。其次，將位置損失函數(shù)更換為siou，提高了模型收斂速度和推理的準(zhǔn)確性。本申請(qǐng)改進(jìn)后的yolov5s進(jìn)行目標(biāo)檢測(cè)在一定程度上減少了目標(biāo)檢測(cè)的漏檢率與誤檢率。

技術(shù)特征：

1.基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法，其特征在于，圖片數(shù)據(jù)集包括網(wǎng)絡(luò)上有開源的圖像和自行拍攝的圖像，其中，自行拍攝的圖像需要利用labelimg標(biāo)注軟件對(duì)該圖像上的檢測(cè)目標(biāo)進(jìn)行人工標(biāo)注；或

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法，其特征在于，yolov5s網(wǎng)絡(luò)模型還包括輸入和骨干網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法，其特征在于，在特征融合網(wǎng)絡(luò)的后端加入了gam注意力機(jī)制，gam注意力機(jī)制的網(wǎng)絡(luò)結(jié)構(gòu)包括通道注意力模塊和空間注意力模塊。

5.根據(jù)權(quán)利要求4所述的基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法，其特征在于，通道注意力模塊的計(jì)算公式如下：

6.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法，其特征在于，siou位置損失函數(shù)包括角度成本λ、距離成本δ、形狀成本ω和iou成本，siou位置損失函數(shù)的計(jì)算公式如下：

7.根據(jù)權(quán)利要求6所述的基于改進(jìn)yolov5s的目標(biāo)檢測(cè)方法，其特征在于，角度成本λ計(jì)算如公式如下：

8.基于改進(jìn)yolov5s的目標(biāo)檢測(cè)系統(tǒng)，其特征在于，包括：

9.計(jì)算機(jī)設(shè)備，其特征在于，包括儲(chǔ)存器和處理器，所述儲(chǔ)存器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1-7中任一項(xiàng)所述方法的步驟。

10.計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1-7任一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了基于改進(jìn)YOLOv5s的目標(biāo)檢測(cè)方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，包括：提供圖片數(shù)據(jù)集，對(duì)數(shù)據(jù)集中的圖片人工標(biāo)注檢測(cè)目標(biāo)；構(gòu)建YOLOv5s網(wǎng)絡(luò)模型，在特征融合網(wǎng)絡(luò)添加GAM注意力機(jī)制，檢測(cè)頭使用SIoU位置損失函數(shù)；訓(xùn)練和測(cè)試YOLOv5s網(wǎng)絡(luò)模型；輸入未標(biāo)注檢測(cè)目標(biāo)的圖片，獲得檢測(cè)目標(biāo)結(jié)果。本申請(qǐng)首先通過在特征融合網(wǎng)絡(luò)中添加GAM注意力機(jī)制，使模型更加聚焦對(duì)目標(biāo)檢測(cè)有利的特征，從而提高檢測(cè)的準(zhǔn)確性。其次，將位置損失函數(shù)更換為SIoU，提高了模型收斂速度和推理的準(zhǔn)確性。本申請(qǐng)改進(jìn)后的YOLOv5s進(jìn)行目標(biāo)檢測(cè)在一定程度上減少了目標(biāo)檢測(cè)的漏檢率與誤檢率。

技術(shù)研發(fā)人員：楊啟帆,李志茹,狄磊,朱小琴,張蕾,馬宏忠,趙金雄,王迪
受保護(hù)的技術(shù)使用者：國(guó)網(wǎng)甘肅省電力公司電力科學(xué)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6