基于轻量化YOLOv5n算法的交通目标检测研究

摘要

针对交通目标检测领域的检测速度和模型精度之间的平衡问题，提出一种基于改进YOLOv5n算法的轻量化和剪枝方法。通过分析并优化YOLOv5n模型结构，形成一种有效的轻量化策略，在保持模型精度的同时大幅提升计算速度。首先对YOLOv5n网络模型进行轻量化处理，包括在主干网络(backbone)中引入轻量化网络模块GhostNet,将颈部(neck)部分中Conv模块优化为GSConv,使其卷积计算接近于标准卷积的输出，降低了计算成本，以及将头部(head)的目标框损失函数优化为EIOU Loss;然后，将改进后的模型进行训练后，对模型进行剪枝操作，使模型体积进一步压缩，并将改进后的算法模型在数据集中训练分析，改进的模型较原始模型在检测速度上提升15 fps,同时将改进的模型与主流改进方法进行对比分析；最后，通过移动实验平台进行实验验证。结果表明，在对算法进行轻量化和合适的剪枝下，提出的方法在移动实验平台交通目标检测任务中取得了显著的性能提升，平均fps为130.34,相较于原始模型提升11.3%,同时保持了mAP@0.5为83%的检测准确度。

关键词

轻量化YOLOv5n算法 / 交通目标检测 / 模型剪枝 / 算法优化