【技術實現步驟摘要】
本專利技術屬于目標檢測算法，具體涉及一種基于改進yolov5n的目標檢測方法。
技術介紹
1、目標檢測是計算機視覺的一部分，根據整張圖像內容進行描述，并結合目標物體的特征信息，確定該物體的類別與位置。目標檢測將目標的定位和識別合二為一，能夠在特定的環境下實時且準確地檢測出目標。目標檢測技術常用于人臉檢測、智慧交通、無人駕駛、遙感目標檢測、行人計數、安全系統等各大領域。
2、在許多移動場景中部署目標檢測網絡，不僅要考慮模型的計算復雜度與模型的參數數量，同樣也要考慮模型的檢測精度。其中比較通用的做法例如網絡剪枝，網絡參數量化，這些都是在已經設計好的網絡模型上做優化。為了更加適用于移動場景，需要專門設計輕量化網絡，以解決移動場景下的內存受限，計算力受限的問題。
3、隨著深度學習的發展，卷積神經網絡(convolutional?neural?networks，cnn)被廣泛應用，基于深度學習的目標檢測技術將目標檢測推向發展新高潮。隨著檢測精度標準的日益嚴格，檢測任務的挑戰性也隨之加劇，促使了更多復雜且龐大的網絡架構的涌現。雖然，更龐大的網絡模型和更深層的網絡結構能夠提取到更為豐富的深層特征，從而顯著提升檢測精度，但是，這種提升也伴隨著巨大的參數量和計算量，難以部署在某些內存受限的應用環境中。因此，輕量級目標檢測網絡的研究一直備受工業界的關注。
4、專利技術新型內容
5、本專利技術的目的是提供一種基于改進yolov5n的目標檢測方法，能夠有效的減小網絡的參數數量、提高運算速度，同時提升模型的
6、本專利技術采取的技術方案具體如下：
7、一種基于改進yolov5n的目標檢測方法，所述檢測方法包括以下內容：
8、s1：利用repconv改進fasternet主干網絡；
9、使用repvgg中的repconv取代fasternet中的pconv；
10、所述s1中，repconv的核心思想是使用多分支結構，將多個卷積核和其它操作組合起來，若一個包含三個分支的結構：一個3×3卷積，一個1×1卷積和一個恒等映射；
11、其輸出分別為：
12、y1＝w1*x
13、y2＝w2*x
14、y3＝x
15、將這三個輸出進行融合，得到最終的輸出：
16、
17、y＝(w1*x)+(w2*x)+x
18、在訓練期間，使用上述多分支結構，在推理階段，將分支重新參數化為單個卷積核；具體步驟如下：
19、s11：恒等映射的重新參數化：可以將恒等映射表示為一個具有恒等卷積核的1×1卷積，即：
20、y3＝x＝w3*x
21、其中，w3是一個1×1的恒等卷積核；
22、s12：卷積核融合：將所有分支的卷積核融合成一個卷積核，若所有卷積核大小相同，則融合后的卷積核為：
23、wfused＝w1+w2+w3
24、s13：推理階段的單一卷積操作：在推理階段，只需使用融合后的卷積核進行單次卷積操作：
25、y＝wfused*x。
26、s2：替換原c3主干網絡；
27、將改進后的faster_rep與原主干網絡的c3模塊融合，使用改進后的c3-fr主干替換原主干網絡的backbone；
28、s3：對改進后的模型進行剪枝；
29、通過對yolov5算法進行改進，優化了整個算法的檢測效果。
30、所述s3中，通道剪枝通過對訓練過程中不同參數的重要性進行判斷，剔除不重要的通道及其對應的輸入和輸出，其主要過程包括：
31、對網絡進行稀疏化訓練，判斷不同通道的重要程度，去掉不重要的通道，最后得到剪枝后的網絡模型，并給出了通道稀疏化訓練和剪枝過程，給卷積層中每個通道分配一個評價其重要性的尺度因子γ；
32、通過大量訓練使一些γ分布不斷靠近于0，對其進行排序并根據分布給定一個閾值參數，最后直接剔除掉小于閾值的通道，用于減少其計算量和模型大小。
33、在檢測網絡中，每一個卷積層后均有批標準化bn層，通過對輸入數據進行歸一化來加速網絡收斂，對應的公式為：
34、
35、式中：yin和yout表示bn層的輸入和輸出，μ和σ2分別表示輸入特征圖的均值和方差；β為偏置；ε為極小因子，防止分母為0。
36、在訓練時，稀疏化訓練的損失函數為：
37、
38、式中：第一項表示yolo的損失函數；第二項使用l1正則化來對縮放因子γ進行約束；α為稀疏參數，用來平衡兩個損失。
39、本專利技術取得的技術效果為：
40、本專利技術的一種基于改進yolov5n的目標檢測方法是基于fasternet和repvgg的輕量級主干網絡，通過使用repconv替換了fasternet中的pconv，使得改進后的主干網絡相比于yolov5n的原c3主干網絡計算復雜度更低、參數數量更小。
41、本專利技術的一種基于改進yolov5n的目標檢測方法通過將重新設計的主干網絡融入進yolov5n的原c3主干網絡中組成c3-fr模塊，并且基于通道剪枝的檢測模型壓縮算法，進一步壓縮模型。優化了現有的目標檢測模型，解決了檢測模型計算量大、資源占用高，難以部署在低功耗移動終端上這一問題。
技術實現思路
本文檔來自技高網...【技術保護點】
1.一種基于改進YOLOv5n的目標檢測方法，其特征在于：所述檢測方法包括以下內容：
2.根據權利要求1所述的一種基于改進YOLOv5n的目標檢測方法，其特征在于：所述S1中，RepConv的核心思想是使用多分支結構，將多個卷積核和其它操作組合起來，若一個包含三個分支的結構：一個3×3卷積，一個1×1卷積和一個恒等映射；
3.根據權利要求2所述的一種基于改進YOLOv5n的目標檢測方法，其特征在于：在訓練期間，使用上述多分支結構，在推理階段，將分支重新參數化為單個卷積核；具體步驟如下：
4.根據權利要求1所述的一種基于改進YOLOv5n的目標檢測方法，其特征在于：所述S3中，通道剪枝通過對訓練過程中不同參數的重要性進行判斷，剔除不重要的通道及其對應的輸入和輸出，其主要過程包括：
5.根據權利要求4所述的一種基于改進YOLOv5n的目標檢測方法，其特征在于：在檢測網絡中，每一個卷積層后均有批標準化BN層，通過對輸入數據進行歸一化來加速網絡收斂，對應的公式為：
6.根據權利要求4所述的一種基于改進YOLOv5n的目標檢測方法
...【技術特征摘要】
1.一種基于改進yolov5n的目標檢測方法，其特征在于：所述檢測方法包括以下內容：
2.根據權利要求1所述的一種基于改進yolov5n的目標檢測方法，其特征在于：所述s1中，repconv的核心思想是使用多分支結構，將多個卷積核和其它操作組合起來，若一個包含三個分支的結構：一個3×3卷積，一個1×1卷積和一個恒等映射；
3.根據權利要求2所述的一種基于改進yolov5n的目標檢測方法，其特征在于：在訓練期間，使用上述多分支結構，在推理階段，將分支重新參數化為單個卷積核；具體步驟如下：
...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。