YOLOv5-M3:基于轻量级网络的车辆检测模型

摘要

针对车辆检测模型参数量大，多尺度车辆目标检测困难、重叠目标、小目标和遮挡目标容易漏检的问题.提出了一种轻量化的YOLOv5-MobileNetv3检测算法.首先，利用k-means算法来提高锚框维数聚类的效果和检测速度.其次，将YOLOv5的原始骨干网络CSPDarknet53替换为MobileNetv3进行特征提取.再次，在检测网络中，用CIOU损失函数代替GIOU损失函数，快速准确地定位图像目标区域，生成边界框，预测目标类别.使用交叉熵损失函数(cross entropy loss)作为分类损失函数.最后利用k-means算法来提高锚框维数聚类的效果和检测速度.结果表明，与YOLOv5网络相比，改进后的YOLOv5-M3检测准确率提高了5.0%,模型参数数量减少了46%,训练时间减少44.9%.改进后的YOLOv5-M3网络更小、训练时间更短、更准确地识别出目标，提高了自动驾驶系统中车辆和行人的目标检测的准确性，也为实现智能交通系统提供了一种选择.

关键词

目标检测 / YOLOv5 / 深度学习 / MobileNetv3 / 自动驾驶