针对火焰检测过程中存在小目标难以检测的问题,提出了一种改进的YOLOv8n模型。首先,在双分支跨阶段局部特征融合(cross stage partial 2 with feature fusion,C2f)模块中加入动态蛇形卷积,有助于提取多尺度特征、增强特征表示。接着,将G...针对火焰检测过程中存在小目标难以检测的问题,提出了一种改进的YOLOv8n模型。首先,在双分支跨阶段局部特征融合(cross stage partial 2 with feature fusion,C2f)模块中加入动态蛇形卷积,有助于提取多尺度特征、增强特征表示。接着,将GhostnetV2引入到颈部网络中,不仅减少了模型的参数量,还提升了整体的检测精度和速度。然后,添加微小目标检测头以便更好地进行多尺度小目标的检测,基于局部和全局的挤压激励(squeeze and excitation,SE)注意力机制确保每一层的特征都得到充分优化,特别是小目标的细微特征。最后,基于最小点距离的交并比损失函数提高算法的收敛速度和定位精度。实验结果显示,改进YOLOv8n模型的P、R、FPS、mAP@0.5和mAP@0.5∶0.95指标平均值比YOLOv8n模型分别提高了3.34%、3.62%、14帧/s、3.01%和3.41%,表明模型拥有较好的小目标火焰检测能力。研究结果可为预防火灾等安全事故提供理论依据和决策支撑。展开更多
文摘针对火焰检测过程中存在小目标难以检测的问题,提出了一种改进的YOLOv8n模型。首先,在双分支跨阶段局部特征融合(cross stage partial 2 with feature fusion,C2f)模块中加入动态蛇形卷积,有助于提取多尺度特征、增强特征表示。接着,将GhostnetV2引入到颈部网络中,不仅减少了模型的参数量,还提升了整体的检测精度和速度。然后,添加微小目标检测头以便更好地进行多尺度小目标的检测,基于局部和全局的挤压激励(squeeze and excitation,SE)注意力机制确保每一层的特征都得到充分优化,特别是小目标的细微特征。最后,基于最小点距离的交并比损失函数提高算法的收敛速度和定位精度。实验结果显示,改进YOLOv8n模型的P、R、FPS、mAP@0.5和mAP@0.5∶0.95指标平均值比YOLOv8n模型分别提高了3.34%、3.62%、14帧/s、3.01%和3.41%,表明模型拥有较好的小目标火焰检测能力。研究结果可为预防火灾等安全事故提供理论依据和决策支撑。
