基于改进YOLOv5的车辆与行人目标识别方法

作者：张青春; 吴峥; 周玲; 刘晓洋

来源：中国测试, 2023, 49(07): 82-88.

• 无人驾驶
• 目标检测
• YOLOv5
• Ghost Bottleneck
• CBAM
• α-IoU

为改进无人驾驶技术部署困难问题，该文提出一种基于YOLOv5的目标识别算法。算法引入Ghost Bottleneck模块，CBAM模块，将网络参数压缩，减少模型整体的计算量，同时提升模型推理速度；将原始模型CIoU损失函数替换为α-IoU损失函数，使得模型训练过程中更快收敛；用DWConv层替代原有网络中Neck部分的Conv层，可大大降低网络参数数量以及运算成本，同时可提取不同大小的特征信息，提升模型在物体识别方面的鲁棒性。实验证明，原始模型的参数量为7 095 906，权重文件为14.4 MB,mAP@0.5达到86.11%，检测速度为30.30 f/s;改进后模型参数量缩减为2 546 136，参数量减少了64.12%，权重文件为5.8 MB，权重文件大小减小了59.72%,m AP@0.5达到89.44%，检测速度提升至40.00 f/s，检测速度提升了32.01%。将改进后的模型部署至RK3399嵌入式移动端，算法识别速度较原始算法提升了约35.04%。

• 单位
  自动化学院; 淮阴工学院