摘要
近些年来,目标检测算法在移动机器人环境感知领域表现出了突出的性能.但是目标检测算法存在模型庞大和计算复杂的问题,制约了目标检测算法在移动嵌入式设备上的部署和发展.YOLO是一种单阶段的目标检测算法,具有较高的准确度和较快的运行速度.该文提出了一种基于YOLOv5s改进后适用于嵌入式设备的移动机器人目标检测算法DID-YOLO.首先,使用深度可分离卷积和倒置残差模块对YOLOv5s的backbone网络进行重构,降低模型复杂度和计算量,达到轻量化的目的;其次,利用特征层和输出层结合的知识蒸馏训练提高重构后目标检测网络的精度.在目标检测通用数据集PASCAL VOC上实验表明:DID-YOLO模型尺寸为3.63 MB,相较原网络模型尺寸减小了48.65%;经过特征层和输出层蒸馏后,DID-YOLO 的mAP@0.5 提升至73.83%;DID-YOLO在Jetson AGX Xavier上实现了每秒31.2 帧的实时图像处理速度.提出的DID-YOLO性能显著,满足了移动机器人嵌入式平台的实时高精度检测需求.
国家科技期刊平台
NSTL
维普
万方数据