改进YOLOv5s后的轻量化猪只姿态识别方法

摘要

针对目前猪只姿态识别精度低、模型复杂性高、检测速度慢等问题，提出一种轻量化猪只姿态识别方法。该方法将基于性能感知的全局通道剪枝算法应用于YOLOv5s模型，识别并剔除原模型中冗余或对性能贡献较小的连接，并对剪枝后的模型进行调参补偿优化。结果表明：剪枝后的YOLOv5s-prune模型在交并比设定阈值为0.5时的平均精度值(mAP_0.5)和交并比在[0.5,0.95]每隔0.05作为1次设定阈值时的多个平均精度均值(mAP_0.5-0.95)上分别达到94.7%和84.6%，相比于原YOLOv5s模型分别高出0.8%和0.4%；其参数量和每1 s浮点运算次数（FLOPs）分别为3.9×10～6和10.9×10～9，较原YOLOv5s模型分别降低了3.1×10～6和5.3×10～9；对每张图片的推理时间达到3.6 ms，较原YOLOv5s模型提高1.1 ms。相比于Faster R-CNN、CenterNet、YOLOv3-SPP、YOLOXs、YOLOv8s、YOLOv10s、YOLOv11s目标检测模型，参数量分别减少了132.8×10～6、28.2×10～6、100.8×10～6、5.0×10～6、7.2×10～6、4.2×10～6和5.5×10～6,FLOPs分别减少了143.9×10～9、79.4×10～9、272.9×10～9、16.3×10～9、18×10～9、14.3×10～9和11.1×10～9，对每张图片的推理时间分别提高了25.4、20.4、35.2、1.5、3.9、4.2和1.8 ms。在单栏饲养12、8和6头猪的场景下，检测性能优于YOLOv5s。本研究提出的方法不仅减少了模型参数量和计算量，提高了检测速度，而且有效地增加了识别精度，可以满足猪场实际生产中对猪只姿态行为快速准确识别的需求。

关键词

猪 / 姿态行为识别 / 深度学习 / 通道剪枝