基于改进YOLO v8n轻量化模型的苹果识别方法

摘要

为解决在计算资源受限条件下部署苹果检测模型的问题，并为自然环境下苹果采摘机器人的目标识别提供技术支撑，设计了一种基于YOLO v8n模型的苹果识别方法YOLO v8n-SCD,先将YOLO v8n的骨干网络替换为StarNet轻量化模型，降低原模型的参数量；然后将Star Blocks模块耦合到C2f模块中构建一个新结构C2f-StarNet,以降低模型复杂度，并且设计了新的检测头Detect＿Apple,以进一步降低模型的参数量；最后，结合损失函数Shape IoU优化模型的训练过程，以提升检测的性能。试验结果表明：改进的YOLO v8n-SCD比原模型的精确率与召回率均小幅提升，平均精确率与原模型基本持平，但模型大小、参数量和GFLOPs比原模型分别降低了53.3%、54.4%和44.4%;与YOLO v5、YOLO v7、YOLO v8n、YOLO v9和YOLO v10主流检测模型相比，YOLO v8n-SCD模型的召回率、平均精度有略微的下降，但模型大小分别减少了44%、77.2%、53.3%、36.4%和49.1%,参数量减小了45.3%、77.2%、54.4%、30.5%和39.6%,浮点计算量降低了36.6%、65.9%、44.4%、40.8%和30.8%。本文提出的YOLO v8n-SCD模型在保证苹果识别精度的前提下对原模型进行轻量化，为后续边缘设备的模型部署提供技术依据。

关键词

苹果 / 检测模型 / 轻量化 / YOLO v8n / 边缘设备