本發(fā)明涉及一種基于yolov5的輕量化目標(biāo)檢測(cè)方法，屬于輕量化目標(biāo)檢測(cè)。

背景技術(shù)：

0、技術(shù)背景

1、隨著計(jì)算機(jī)視覺技術(shù)的飛速發(fā)展，人工智能技術(shù)不斷走向成熟，目標(biāo)檢測(cè)技術(shù)作為其核心應(yīng)用之一，被廣泛用于工業(yè)中異物識(shí)別、道路巡檢、安防監(jiān)控、自動(dòng)駕駛、無人機(jī)導(dǎo)航及軍事偵察等領(lǐng)域。

2、目前，深度卷積神經(jīng)網(wǎng)絡(luò)在物體檢測(cè)領(lǐng)域占據(jù)主導(dǎo)地位。目標(biāo)檢測(cè)算法可劃分為兩類：一類是以區(qū)域卷積神經(jīng)網(wǎng)絡(luò)r-cnn、fast?r-cnn等為代表的雙階段目標(biāo)檢測(cè)算法，先生成候選框然后對(duì)候選框進(jìn)行分類和定位，該方法精度較高，但是速度較慢；另一類是以ssd、yolo系列等為代表的單階段算法，此類算法將分類和目標(biāo)定位均看作回歸問題處理，其優(yōu)點(diǎn)是速度快。近年來，單階段方法(如yolo、retinanet等)經(jīng)過改進(jìn)，整體算法性能優(yōu)于雙階段方法。

3、yolov5是目前常用的一種單階段目標(biāo)檢測(cè)算法，提供了yolov5s、yolov5m、yolov5l和yolov5x四種不同大小的模型。其中，yolov5s是最小且速度最快的模型，但對(duì)于移動(dòng)設(shè)備、嵌入式系統(tǒng)及邊緣計(jì)算場(chǎng)景它的計(jì)算量和內(nèi)存占用較大，限制了其在資源受限環(huán)境下的應(yīng)用，所以需要設(shè)計(jì)輕量化的網(wǎng)絡(luò)模型以滿足資源受限環(huán)境下的使用。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的問題是：提供一種基于yolov5的輕量化目標(biāo)檢測(cè)方法，通過提出多尺度高效特征重組網(wǎng)絡(luò)mefr-net(multi-scale?efficient?feature?rearrangementnetwork)來降低網(wǎng)絡(luò)的參數(shù)量和計(jì)算量，實(shí)現(xiàn)網(wǎng)絡(luò)的輕量化。使用三輸出雙向加權(quán)特征融合網(wǎng)絡(luò)tobwf-net(tri-output?bi-directional?weighted?feature?fusion?network)構(gòu)建模型的頸部網(wǎng)絡(luò)模塊，使網(wǎng)絡(luò)能夠更有效地利用不同尺度的信息，同時(shí)減少模型的計(jì)算量，從而提高目標(biāo)檢測(cè)的性能。

2、本發(fā)明技術(shù)解決方案是：一種基于yolov5的輕量化目標(biāo)檢測(cè)方法，包含以下步驟：

3、步驟s1、收集包含行人、車輛、無人機(jī)和船舶四種常見目標(biāo)類別的目標(biāo)檢測(cè)數(shù)據(jù)集，其中包含1000張行人圖像、500張船舶圖像、1000張車輛圖像、2000張無人機(jī)圖像；

4、步驟s2、使用mosaic對(duì)獲取的數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)操作，并將數(shù)據(jù)集按比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，最終得到用于模型訓(xùn)練的數(shù)據(jù)集；

5、步驟s3、設(shè)計(jì)多尺度高效特征重組網(wǎng)絡(luò)mefr-net(multi-scale?efficientfeature?rearrangement?network)；

6、步驟s4、使用s3中得到的多尺度高效特征重組網(wǎng)絡(luò)mefr-net結(jié)合三輸出雙向加權(quán)特征融合網(wǎng)絡(luò)tobwf-net(tri-output?bi-directional?weighted?feature?fusionnetwork)構(gòu)建基于yolov5的輕量化目標(biāo)檢測(cè)模型，包含輸入模塊、頭部網(wǎng)絡(luò)模塊、頸部網(wǎng)絡(luò)模塊以及檢測(cè)模塊；

7、步驟s5、使用訓(xùn)練集對(duì)構(gòu)建的基于yolov5的輕量化目標(biāo)檢測(cè)模型進(jìn)行訓(xùn)練，并使用驗(yàn)證集對(duì)訓(xùn)練得到的模型進(jìn)行驗(yàn)證，得到訓(xùn)練后的基于yolov5的輕量化目標(biāo)檢測(cè)模型；

8、步驟s6、將訓(xùn)練好的基于yolov5的輕量化目標(biāo)檢測(cè)模型移植到嵌入式處理器bm1684中，并對(duì)模型的性能進(jìn)行檢測(cè)。

9、本發(fā)明采用以上技術(shù)解決方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

10、1、本發(fā)明基于yolov5的輕量化目標(biāo)檢測(cè)方法，針對(duì)原yolov5中特征提取模塊計(jì)算量大、參數(shù)多以及特征冗余的問題，提出多尺度高效特征重組網(wǎng)絡(luò)mefr-net，該模塊顯著降低了模型的復(fù)雜度，同時(shí)保持較高的精度。

11、2、本發(fā)明基于yolov5的輕量化目標(biāo)檢測(cè)方法，使用三輸出雙向加權(quán)特征融合網(wǎng)絡(luò)tobwf-net構(gòu)建頸部網(wǎng)絡(luò)模塊，使得特征網(wǎng)絡(luò)層中的信息在自頂向下和自底向上兩個(gè)方向上流動(dòng)，同時(shí)引入加權(quán)特征融合模塊，增強(qiáng)了網(wǎng)絡(luò)對(duì)特征融合的能力，使網(wǎng)絡(luò)能夠更有效地利用不同尺度的信息。此外，該方法在保證高檢測(cè)效果的同時(shí)，兼顧了計(jì)算效率，從而提高目標(biāo)檢測(cè)的性能。

技術(shù)特征：

1.一種基于yolov5的輕量化目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于yolov5的輕量化目標(biāo)檢測(cè)方法，其特征在于，步驟s2中使用mosaic對(duì)獲取的數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)以及數(shù)據(jù)集的劃分，步驟如下：

3.根據(jù)權(quán)利要求1所述的基于yolov5的輕量化目標(biāo)檢測(cè)方法，其特征在于，步驟s3中，設(shè)計(jì)多尺度高效特征重組網(wǎng)絡(luò)mefr-net，步驟如下：

4.根據(jù)權(quán)利要求1所述的基于yolov5的輕量化目標(biāo)檢測(cè)方法，其特征在于，步驟s4中，構(gòu)建基于yolov5的輕量化目標(biāo)檢測(cè)模型，包含輸入模塊、頭部網(wǎng)絡(luò)模塊、頸部網(wǎng)絡(luò)模塊以及檢測(cè)模塊，步驟如下：

5.根據(jù)權(quán)利要求4所述的基于yolov5的輕量化目標(biāo)檢測(cè)方法，其特征在于，步驟s43中的三輸出雙向加權(quán)特征融合網(wǎng)絡(luò)tobwf-net，在yolov5原有的特征金字塔網(wǎng)絡(luò)中，所有輸入特征在沒有區(qū)分的情況下同等對(duì)待，不同層的特征被簡單的相加在一起，而不考慮他們對(duì)輸出特征的貢獻(xiàn)，tobwf-net對(duì)輸入的特征進(jìn)行加權(quán)融合wff(weighted?feature?fusion)動(dòng)態(tài)調(diào)整融合權(quán)重，讓網(wǎng)絡(luò)學(xué)習(xí)每個(gè)輸入特征的重要性，如下所示：

6.根據(jù)權(quán)利要求1所述的基于yolov5的輕量化目標(biāo)檢測(cè)方法，其特征在于，步驟s5中，對(duì)構(gòu)建的基于yolov5的輕量化目標(biāo)檢測(cè)模型進(jìn)行訓(xùn)練，步驟如下：

7.根據(jù)權(quán)利要求1中所述的基于yolov5的輕量化目標(biāo)檢測(cè)方法，其特征在于，步驟s6中，將訓(xùn)練好的基于yolov5的輕量化目標(biāo)檢測(cè)模型移植到嵌入式處理器bm1684中，并對(duì)模型的性能進(jìn)行檢測(cè)，步驟如下：

技術(shù)總結(jié)
本發(fā)明涉及目標(biāo)檢測(cè)技術(shù)領(lǐng)域，公開了一種基于YOLOv5的輕量化目標(biāo)檢測(cè)方法。在模型設(shè)計(jì)上，針對(duì)YOLOv5中傳統(tǒng)的C3模塊存在的特征冗余、參數(shù)量和計(jì)算量大的問題，提出多尺度高效特征重組網(wǎng)絡(luò)MEFR?Net(Multi?scale?Efficient?Feature?Rearrangement?Network)替代傳統(tǒng)C3模塊。在模型的頸部網(wǎng)絡(luò)部分，提出三輸出雙向加權(quán)特征融合網(wǎng)絡(luò)TOBWF?Net(Tri?Output?Bi?Directional?Weighted?Feature?Fusion?Network)，不僅實(shí)現(xiàn)了不同層級(jí)特征間的高效協(xié)同，還通過加權(quán)特征融合WFF(Weighted?Feature?Fusion)動(dòng)態(tài)調(diào)整融合權(quán)重，智能化地強(qiáng)化對(duì)關(guān)鍵特征的利用。實(shí)驗(yàn)結(jié)果表明，本專利提出的基于YOLOv5的輕量化目標(biāo)檢測(cè)模型在保持與原YOLOv5相當(dāng)?shù)臋z測(cè)性能的同時(shí)，顯著降低了計(jì)算資源需求，適用于移動(dòng)設(shè)備、嵌入式系統(tǒng)及邊緣計(jì)算場(chǎng)景。

技術(shù)研發(fā)人員：劉瀏,姚中基
受保護(hù)的技術(shù)使用者：南京郵電大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30