基于改进YOLOv5m的校园火焰检测设计

摘要

针对校园内火焰检测工作中存在的效率不高、过度依赖人工监控的问题，研究基于改进YOLOv5m网络提出了面向校园室内的火焰检测模型.在YOLOv5m网络结构的基础上增加无参数注意力机制，提高模型对火焰检测性能，并通过引入EfficientViT轻量化模型结构，提高模型的检测效率.在数据集测试中，YOLOv5m-EfficientViT改进模型的参数量为14.07 M,模型大小仅占用7.29 MB内存，低于其他算法模型.在火焰检测上，YOLOv5m-EfficientViT改进模型的平均精度为94.11%,查准率为89.66%,查全率为87.35%,高于其他轻量化模型.实验表明，改进YOLOv5m在火焰检测上表现出较高的精度性能，同时模型的占用小，运算参数量低于其他模型.

关键词

火焰检测 / 校园 / YOLO / 神经网络 / 计算机视觉