科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对将YOLOv5模型部署至资源有限的设备时存在模型大、计算量高、检测精度不够、复杂场景下易漏检错检等问题，对YOLOv5算法进行了轻量化、高精度化改进。结合MoblieNetV2的倒残差结构和GhostNet的幻影模块提出MG模块，并基于ShuffleNet系列的分组、重排思想提出MSG模块，将原YOLOv5算法中的Conv模块和C3模块替换为MSG模块，以实现对原YOLOv5架构的轻量化改造。在检测网络的颈部，用分组后相加的操作替代普通卷积降维的操作提高网络对复杂场景的检测精度。结果表明：优化后的模型与原模型相比，模型参数量、模型体积、计算复杂度分别下降了42%、36%、34%和检测精度提高了5%。
- 单位
