首页|面向垃圾分类场景的轻量化目标检测方案

面向垃圾分类场景的轻量化目标检测方案

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对边缘端进行垃圾检测分类实时性差的问题，提出轻量化的Yolov5垃圾检测解决方案。引入Stem模块，增强模型对输入图像的特征提取能力。将backbone的C3模块进行改进，提高特征提取能力。使用深度可分离卷积替换网络中的3×3降采样卷积，实现模型轻量化。使用K-means++算法重新计算物体的锚框值，使模型在训练过程中能够更好地预测目标框的大小。通过实验研究对比可知，改进模型相比于Yolov5s模型，mAP 0。5提升了0。8％，mAP_0。5:0。95提升了 3％，模型参数量减少到原来的77。9％，推理速度提升了 21。9％，极大地提高了模型的检测性能。
Lightweight object detection scheme for garbage classification scenario

garbage classificationYolov5depthwise separable convolutionK-means++algorithmStem module

陈健松、蔡艺军

展开 >

厦门理工学院光电与通信工程学院,福建厦门 361024

垃圾分类 Yolov5 深度可分离卷积 K-means++算法 Stem模块

国家自然科学基金青年基金福建省自然科学基金面上项目

620052322020J01294

2024

10.3785/j.issn.1008-973X.2024.01.008

浙江大学学报(工学版)
浙江大学

浙江大学学报(工学版)

CSTPCD北大核心
影响因子：0.625
ISSN：1008-973X
年,卷(期)：2024.58(1)
  • 24