针对现有模型参数量高和计算量大、难以将垃圾检测模型嵌入边缘设备中的问题,提出了轻量化YOLOv8n-Garbage模型。首先,引入ContextGuided Block构建C2f-ContextGuided模块,提高模型局部和全局上下文信息联合使用;引入小波池化构建小波...针对现有模型参数量高和计算量大、难以将垃圾检测模型嵌入边缘设备中的问题,提出了轻量化YOLOv8n-Garbage模型。首先,引入ContextGuided Block构建C2f-ContextGuided模块,提高模型局部和全局上下文信息联合使用;引入小波池化构建小波池化卷积(wavelet pooling-convolution, WP-Conv),更好地捕捉形状、纹理和颜色等细节信息,从而提升特征提取的能力。其次,引入加权双向金字塔网络(bidirectional feature pyramid network, BiFPN)去替换原模型的Neck部分,BiFPN通过优化多尺度特征融合机制,显著提升了模型在小目标检测任务中的表现。最后,通过共享卷积设计了基于共享卷积的检测头(detection head based on shared convolution, DHSC)轻量化检测头,使得模型轻量化的同时,还提高了精度。结果表明,YOLOv8n-Garbage比原模型YOLOv8n的参数量和浮点计算量分别下降了71.4%和49.4%,同时mAP@0.5上升了0.3%。YOLOv8n-Garbage在垃圾分类检测中有显著的优势,可以为城市垃圾智能化管理提供一定的技术支持。展开更多
文摘针对现有模型参数量高和计算量大、难以将垃圾检测模型嵌入边缘设备中的问题,提出了轻量化YOLOv8n-Garbage模型。首先,引入ContextGuided Block构建C2f-ContextGuided模块,提高模型局部和全局上下文信息联合使用;引入小波池化构建小波池化卷积(wavelet pooling-convolution, WP-Conv),更好地捕捉形状、纹理和颜色等细节信息,从而提升特征提取的能力。其次,引入加权双向金字塔网络(bidirectional feature pyramid network, BiFPN)去替换原模型的Neck部分,BiFPN通过优化多尺度特征融合机制,显著提升了模型在小目标检测任务中的表现。最后,通过共享卷积设计了基于共享卷积的检测头(detection head based on shared convolution, DHSC)轻量化检测头,使得模型轻量化的同时,还提高了精度。结果表明,YOLOv8n-Garbage比原模型YOLOv8n的参数量和浮点计算量分别下降了71.4%和49.4%,同时mAP@0.5上升了0.3%。YOLOv8n-Garbage在垃圾分类检测中有显著的优势,可以为城市垃圾智能化管理提供一定的技术支持。
