本發明專利技術公開了一種基于改進yolov8算法的目標檢測方法，涉及計算機視覺和深度學習技術領域，包括：根據所需檢測的目標物體收集圖片數據，利用Labelimg標注上述的圖片數據集，并將數據集中的訓練集、驗證集、測試集以7：1：2的比例劃分，完成制作目標物體的數據集；其次，基于YOLOv8算法構建目標檢測模型，并改進YOLOv8算法的backbone層、head層以及損失函數部分，在backboone層添加輕量化自適應權重下采樣模塊，在head層添加P2檢測頭，結合WiseIoU、InnerIoU、MPDIoU三者思想設計新的損失函數。然后，利用訓練好的目標檢測識別模型得到最終預測結果。最后，結合最終結果對比分析改進后算法的優勢。總之，本發明專利技術可以實現基于改進yolov8算法的目標檢測，同時大大提高目標檢測的精度。
1、目標檢測技術在計算機視覺領域占有關鍵地位，其任務主要包括對目標位置信息和類別信息的預測。在對目標物體識別抓取的場景中，準確識別目標物體是完成抓取任務的關鍵步驟之一，而這可以通過目標檢測算法來實現。所以需要研究改進yolov8算法的目標檢測方法。
2、目標檢測算法的發展經歷了幾個關鍵階段，每個階段都推動了計算機視覺領域的重大進步。最早期的目標檢測依賴于傳統計算機視覺方法，如viola-jones算法利用haar-like特征和adaboost分類器，實現了實時的人臉檢測，成為了許多應用的基礎。同一時期，hog算法也被廣泛應用于行人檢測，通過捕捉圖像中的梯度方向特征，有效提升了檢測精度。進入2010年代，深度學習的崛起徹底改變了目標檢測的格局。r-cnn首次將卷積神經網絡cnn引入目標檢測，通過候選區域生成與cnn相結合，實現了前所未有的檢測精度。然而，r-cnn的速度較慢，因此fastr-cnn和fasterr-cnn相繼提出，通過優化網絡結構和引入區域建議網絡(rpn)，將目標檢測轉變為端到端的學習過程，大幅提升了效率。在此之后，單階段檢測器如yolo和ssd成為了研究熱點。這些算法將目標檢測的候選區域生成與分類任務整合在一起，極大地加快了檢測速度，并在保持精度的同時實現了實時檢測，圖1為常見目標檢測算法的發展進程。但是針對特定的目標檢測場景，需要根據實際情況對算法模型進行修改完善以提升目標檢測的精度。
r/>技術實現思路
1、鑒于上述現有存在的問題，提出了本專利技術。
2、因此，本專利技術的目的在于提升目標檢測的精度，提出了一種基于改進yolov8算法的目標檢測方法，能有效的完成小目標檢測任務。針對yolov8算法下采樣和卷積時存在信息丟失的問題，在backboone層添加輕量化自適應權重下采樣模塊；針對yolov8算法小目標檢測精度不高的問題，在head層添加p2檢測頭；針對yolov8算法損失函數過于單一的問題，結合wiseiou、inneriou、mpdiou三種思想設計新的損失函數。
3、為解決上述技術問題，本專利技術提供如下技術方案，一種基于改進yolov8算法的目標檢測方法，包括：
4、制作數據集并預處理.
5、構建目標檢測模型，所述目標檢測模型以yolov8n網絡為基礎網絡，將所述yolov8n網絡中backbone層中的常規卷積替換成輕量化自適應權重下采樣模塊；將head層中添加一個p2檢測頭；采用wise-inner-mpdiou作為模型輸出預測值與真實標簽之間差異的回歸損失函數。
6、配置訓練環境將預處理數據集作為輸入對小目標檢測模型進行訓練。
7、應用完成訓練的小目標檢測模型，將驗證集作為輸入輸出檢測結果。
8、作為本專利技術所述的基于改進yolov8算法的目標檢測方法的一種優選方案，其中：所述制作數據集并預處理包括，融合focus網絡切片思想，對輸入圖像進行2*2的分割處理并完成對每個2*2矩陣部分完成softmax操作；利用rearrange函數整理每個2*2矩陣部分輸出結果的數組格式；對softmax操作后的結果做1*1卷積操作并完成各部分結果的整合；利用rearrange函數整理每個2*2矩陣部分輸出結果的數組格式，并輸出最終結果。
9、作為本專利技術所述的基于改進yolov8算法的目標檢測方法的一種優選方案，其中：所述將head層中添加p2檢測頭包括，在yolov8n網絡head層的p3層后添加一個上采樣環節和一個卷積環節作為p2檢測頭。
10、作為本專利技術所述的基于改進yolov8算法的目標檢測方法的一種優選方案，其中：所述回歸損失函數包括，結合wiseiou、inneriou、mpdiou三種損失函數思想，所述的損失函數公式為：
11、mpdiou定義為：
12、
13、
14、其中，分別表示目標框左側橫坐標、右側橫坐標、上側縱坐標、下側縱坐標、預測框左側橫坐標、右側橫坐標、上側縱坐標、下側縱坐標、目標框和預測框左上距離及右下角距離；bprd和bgt分別表示預測框和目標框；w和h分別表示輸入圖像的寬度和高度；定義mpdiou后，對應的損失函數lmpdiou可以定義為:
15、lmpdiou＝1-mpdiou
16、獲取可以包絡整個目標框及預測框的矩陣框信息：
17、
18、其中，|c|代表包絡整個目標框及預測框的矩陣框的面積。
19、作為本專利技術所述的基于改進yolov8算法的目標檢測方法的一種優選方案，其中：所述回歸損失函數還包括，
20、
21、
22、其中，分別代表目標框的中心橫坐標、中心縱坐標、預測框的中心橫坐標、中心縱坐標、目標框的寬度、高度、預測框的寬度、高度。
23、作為本專利技術所述的基于改進yolov8算法的目標檢測方法的一種優選方案，其中：所述回歸損失函數包括，inner框坐標求取如下：
24、
25、
26、其中，ratio為求取inneriou的比例因子，分別代表通過比例因子修正后目標框的左側橫坐標、右側橫坐標、上側縱坐標、下側縱坐標、通過比例因子修正后預測框左側橫坐標、右側橫坐標、上側縱坐標、下側縱坐標；
27、作為本專利技術所述的基于改進yolov8算法的目標檢測方法的一種優選方案，其中：所述回歸損失函數包括，定義inneriou及其損失函數求解如下：
28、
29、union＝(wgt*hgt)*(ratio)2+(wprd*hprd)*(ratio)2-inter
30、
31、其中，inter表示inner操作后目標框與預測框的相交部分面積即inneriou的分子部分；union表示inner操作后目標框與預測框的并集面積即inneriou的分母部分；linner-iou表示inneriou的損失函數。
32、作為本專利技術所述的基于改進yolov8算法的目標檢測方法的一種優選方案，其中：所述回歸損失函數還包括，
33、linner-mpdiou＝lmpdiou+iou-inneriou
34、
35、其中，lwinner-mpdiou表示wise-inner-mpdiou的損失函數，linner-mpdiou表示inner-mpdiou的損失函數，rwinner-mpdiou表示損失函數的補償系數。
36、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現基于改進yolov8算法的目標檢測方法的步驟。
37、一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理本文檔來自技高網...
【技術保護點】
1.一種基于改進yolov8算法的目標檢測方法，其特征在于：包括，
2.如權利要求1所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述制作數據集并預處理包括，融合Focus網絡切片思想，對輸入圖像進行2*2的分割處理并完成對每個2*2矩陣部分完成softmax操作；
3.如權利要求2所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述將head層中添加p2檢測頭包括，在YOLOv8n網絡head層的p3層后添加一個上采樣環節和一個卷積環節作為p2檢測頭。
4.如權利要求3所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述回歸損失函數包括，結合WiseIoU、InnerIoU、MPDIoU三種損失函數思想，所述的損失函數公式為：
5.如權利要求4所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述回歸損失函數還包括，
6.如權利要求5所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述回歸損失函數包括，Inner框坐標求取如下：
7.如權利要求6所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述回歸損失函數包括，定義InnerIoU及其損失函數求解如下：
8.如權利要求7所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述回歸損失函數還包括，
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至8中任一項所述的方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至8中任一項所述的方法的步驟。
...
【技術特征摘要】
1.一種基于改進yolov8算法的目標檢測方法，其特征在于：包括，
2.如權利要求1所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述制作數據集并預處理包括，融合focus網絡切片思想，對輸入圖像進行2*2的分割處理并完成對每個2*2矩陣部分完成softmax操作；
3.如權利要求2所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述將head層中添加p2檢測頭包括，在yolov8n網絡head層的p3層后添加一個上采樣環節和一個卷積環節作為p2檢測頭。
4.如權利要求3所述的一種基于改進yolov8算法的目標檢測方法，其特征在于：所述回歸損失函數包括，結合wiseiou、inneriou、mpdiou三種損失函數思想，所述的損失函數公式為：
5.如權利要求4所述的一種基于改進yolov8算法的...
【專利技術屬性】
技術研發人員：歐陽慧珉，黃熠捷，繆小冬，易輝，郗煥，
申請(專利權)人：南京工業大學，
類型：發明
國別省市：
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。