-
题名基于轻量化YOLOv5n算法的交通目标检测研究
- 1
-
-
作者
叶心
周斌
马文丽
曹琦
谭伟
-
机构
重庆理工大学车辆工程学院
节能与新能源汽车关键零部件智能制造与控制教育部国际合作联合实验室(重庆理工大学)
重庆青山工业有限责任公司
陆军勤务学院
-
出处
《重庆理工大学学报(自然科学)》
北大核心
2026年第1期18-26,共9页
-
基金
重庆市面上基金项目(CSTB2023NSCQ-MSX0418)。
-
文摘
针对交通目标检测领域的检测速度和模型精度之间的平衡问题,提出一种基于改进YOLOv5n算法的轻量化和剪枝方法。通过分析并优化YOLOv5n模型结构,形成一种有效的轻量化策略,在保持模型精度的同时大幅提升计算速度。首先对YOLOv5n网络模型进行轻量化处理,包括在主干网络(backbone)中引入轻量化网络模块GhostNet,将颈部(neck)部分中Conv模块优化为GSConv,使其卷积计算接近于标准卷积的输出,降低了计算成本,以及将头部(head)的目标框损失函数优化为EIOU Loss;然后,将改进后的模型进行训练后,对模型进行剪枝操作,使模型体积进一步压缩,并将改进后的算法模型在数据集中训练分析,改进的模型较原始模型在检测速度上提升15 fps,同时将改进的模型与主流改进方法进行对比分析;最后,通过移动实验平台进行实验验证。结果表明,在对算法进行轻量化和合适的剪枝下,提出的方法在移动实验平台交通目标检测任务中取得了显著的性能提升,平均fps为130.34,相较于原始模型提升11.3%,同时保持了mAP@0.5为83%的检测准确度。
-
关键词
轻量化yolov5n算法
交通目标检测
模型剪枝
算法优化
-
Keywords
lightweight yolov5n algorithm
traffic object detection
model pruning
algorithm optimization
-
分类号
U461
[机械工程—车辆工程]
-
-
题名驾驶员手机使用检测模型:优化Yolov5n算法
- 2
-
-
作者
王鑫鹏
王晓强
林浩
李雷孝
李科岑
陶乙豪
-
机构
内蒙古工业大学信息工程学院
天津理工大学计算机科学与工程学院
内蒙古工业大学数据科学与应用学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第18期129-136,共8页
-
基金
国家自然科学基金(61962044)
内蒙古自治区科技成果转化专项资金项目(2020CG0073,2021CG0033)
+1 种基金
内蒙古自然科学基金(2021MS06019)
内蒙古自治区研究生科研创新项目(S20210195Z)。
-
文摘
为进一步实现在移动设备或嵌入式设备上对手机使用的违法行为进行实时检测,通过优化Yolov5n算法提出了一种轻量化、高精度、实时性的检测模型。将Focal-EIoU Loss与FocalL1 Loss相结合来获得更加精确的框定位以及损失函数的更快收敛。利用Slimming剪枝算法来进一步提高模型的轻量化及计算效率。在模型微调时利用数据增强技术对微调操作进行指导,从而使模型能够获得更好的性能提升。在手机使用数据集上对改进方法进行消融实验,进一步验证检测模型的有效性。实验表明,优化后的模型在手机使用数据集及Pascal VOC 2012数据集上的检测精度分别提高了0.2、12.3个百分点,参数量减少44.4%,计算量分别减小45.2%、40%,有利于模型进一步在移动设备及嵌入式设备上的实时性检测。
-
关键词
yolov5n算法优化
Slimming剪枝
Focal-EIoU
Loss
FocalL1
Loss
数据增强
-
Keywords
yolov5n algorithm optimization
Slimming pruning
Focal-EIoU Loss
FocalL1 Loss
data augmentation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名YOLO-LDD:轻量级无人机检测算法
被引量：1
- 3
-
-
作者
邵剑飞
蔡世军
刘杰
-
机构
昆明理工大学信息工程与自动化学院
云南警官学院云南警用无人系统创新研究院
-
出处
《吉林大学学报(理学版)》
北大核心
2025年第3期867-877,共11页
-
基金
国家自然科学基金(批准号:61732005)
云南省哲学社会科学创新团队建设项目(批准号:2021CX01)。
-
文摘
针对在无人机目标检测中现有检测算法模型过大、速度较慢、复杂度过高等问题,提出一种基于YOLOv5n的改进型轻量级无人机检测算法YOLO-LDD.首先,在YOLOv5n基础上引入多样化分支模块DBB和C3模块融合重构为C3_DBB模块,增强单个卷积的表征能力;其次,在颈部网络中引入重参数化结构卷积RepConv,提升检测速度;最后,通过层自适应幅度剪枝(LAMP)方法压缩模型,减少参数数量.实验结果表明,该算法可在保持良好检测性能的同时,降低计算和存储需求,并提高模型的效率和推理速度,平均精度达96.7%,参数量较YOLOv5n压缩73%,运算量减少60%,检测速度提升至原来的1.6倍.
-
关键词
无人机
目标检测
yolov5n算法
轻量级
深度学习
-
Keywords
unmanned aerial vehicle
target detection
yolov5n algorithm
lightweight
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
