摘要
针对当前YOLOv5 s目标检测网络复杂、参数多、部署所需配置高,难以在嵌入式平台上获得优质识别结果的问题,设计了一种轻量化目标检测算法YOLOv5s GCB.算法使用GhostNet作为主干特征提取网络,充分发挥其计算量少、特征图不冗余的优势,从而降低算法的复杂度,提高检测速度;引入CA(coordinate attention)注意力机制,将空间坐标信息与注意力图有效整合,有助于网络快速提取有用特征,进一步增强算法的特征提取能力;借助双向特征金字塔网络(Bi-FPN)结构代替原始算法的路径聚合网络(path aggregation network)结构,对多个尺度的特征进行融合,以此构建新轻量化网络模型YOLOv5s GCB.与原始算法相比,改进后的算法在保持目标检测精确的同时精简了模型参数,降低了运行YOLOv5算法所需的硬件要求.在VOC2007数据集中,YOLOv5s GCB算法的平均准确率(mAP)达到75.2％,模型体积为10.6 MB,浮点计算量11.3GFLOPs(giga floating-point operations per second),与原始算法相比,参数量降低了30％,权重模型减少了20％.实验结果表明:YOLOv5s GCB算法在保证检测精确度的同时实现了模型的轻量化,为其在性能较弱的嵌入式平台上的部署与应用提供了一定的理论依据.
基金项目
国家市场监督管理总局科技计划项目(2020MK088)
重庆市市场监督管理局科研计划项目(CQSJKJ2020017)
重庆市自然科学基金面上项目(cstc2020jcyjmsxmX0879)
重庆市教委科学研究计划项目(KJQN202201163)
重庆市教委科学研究计划项目(KJQN202201110)
重庆理工大学科研启动基金(0107210299)
重庆理工大学科研启动基金(0107200283)
国家科技期刊平台
NSTL
万方数据