10.11857/j.issn.1674-5124.2022060008
基于改进YOLOv5的车辆与行人目标识别方法
为改进无人驾驶技术部署困难问题,该文提出一种基于YOLOv5的目标识别算法.算法引入Ghost Bottleneck模块,CBAM模块,将网络参数压缩,减少模型整体的计算量,同时提升模型推理速度;将原始模型CIoU损失函数替换为α-IoU损失函数,使得模型训练过程中更快收敛;用DWConv层替代原有网络中Neck部分的Conv层,可大大降低网络参数数量以及运算成本,同时可提取不同大小的特征信息,提升模型在物体识别方面的鲁棒性.实验证明,原始模型的参数量为7095906,权重文件为14.4 MB,mAP@0.5达到86.11%,检测速度为30.30 f/s;改进后模型参数量缩减为 2546136,参数量减少了 64.12%,权重文件为 5.8 MB,权重文件大小减小了 59.72%,mAP@0.5达到 89.44%,检测速度提升至 40.00 f/s,检测速度提升了 32.01%.将改进后的模型部署至RK3399嵌入式移动端,算法识别速度较原始算法提升了约35.04%.
无人驾驶、目标检测、YOLOv5、Ghost Bottleneck、CBAM、α-IoU
49
P391.4;TN911.73
江苏省研究生科研与实践创新计划项目SJCX21_1507
2023-08-15(万方平台首次上网日期,不代表论文的发表时间)
共7页
82-88