基于YOLOv8n的鄱阳湖轻量级鸟类目标检测与识别模型研究

摘要

当前鄱阳湖地区鸟类野外自动监测设备的资源有限，致使在野外场景下鸟类快速精准识别存在目标特征不明显、轮廓模糊、尺寸较小等挑战.为了解决这类问题，该文提出了一种基于YOLOv8n的轻量级鸟类检测识别模型YOLOv8-Birds.首先，重新构建模型网络结构，删除深层下采样模块，增加小目标层，以减小模型体量和提升浅层特征权重；其次，融入第3代可变形卷积(DCNv3)设计了C2f＿D3模块，提高模糊目标的识别精度；再次，引入分组混洗卷积(GSConv)和加权融合拼接(Concat＿BiFPN)模块对颈部网络优化，增强模型特征表达能力，适应不同尺寸目标；最后，应用Slide Loss函数强化困难样本学习.该文以鄱阳湖地区10种珍稀鸟类为研究对象开展模型试验，实验结果表明：精度均值mAP@0.50、mAP@0.75、mAP@0.50∶0.95分别达到93.7%、84.9%、72.8%,测试集鸟类目标平均的正检率提升2.3%,达到89.0%,模型的参数量、体积仅为原模型的50.0%左右.

关键词

鄱阳湖 / 鸟类检测识别 / YOLOv8n / 网络结构优化 / 可变形卷积 / Slide Loss函数