基于改进YOLOv5的轻量级航拍图像目标检测方法

摘要

目前无人机航拍图像的目标检测算法存在模型体积大、网络参数量大、检测精度低等问题，导致其难以部署应用在计算资源有限和功耗较低的嵌入式或者边缘设备上。针对以上问题，本文提出一种基于改进YOLOv5的轻量级目标检测模型GSC-YOLO。首先，通过在主干特征提取网络中引入幻影卷积，降低检测网络的参数量和模型体积。其次，添加简单注意力模块，利用特征图中的全局信息来增强局部特征的表征能力，提高网络对图像中关键信息的提取能力。最后，优化后处理模块中的非极大值抑制算法，采用Cluster＿NMS算法更加高效地删除冗余的检测框，同时增加得分惩罚机制和中心点距离机制，进一步提升模型的检测性能。在无人机航拍数据集VisDrone2019进行实验，结果表明，相较于基线模型YOLOv5s,GSC-YOLO模型平均精度提高了3.1%，模型参数量下降了82.1%，模型体积降低了77.4%，对比其他YOLO主流模型和同类轻量级模型，GSC-YOLO模型有更优的模型体积和检测性能，更有利于在嵌入式和边缘设备上部署，在KV260部署验证后，能够较好完成检测任务。

关键词

目标检测 / YOLO / 轻量化 / 嵌入式设备 / 航拍图像