针对果园复杂环境下苹果检测模型大小与精度难以兼顾的问题,文章基于YOLOv8n(You Only Look Once Version 8n,YOLOv8n)提出YOLOv8n-Mob(You Only Look Once Version 8n-Mobile-NetV3,YOLOv8n-Mob)模型。该模型以移动网络版本3(Mobile Ne...针对果园复杂环境下苹果检测模型大小与精度难以兼顾的问题,文章基于YOLOv8n(You Only Look Once Version 8n,YOLOv8n)提出YOLOv8n-Mob(You Only Look Once Version 8n-Mobile-NetV3,YOLOv8n-Mob)模型。该模型以移动网络版本3(Mobile Network Version 3,MobileNetV3)为轻量化主干,结合分层通道注意力机制(Squeeze-and-Excitation,SE)/卷积块注意力模块(Convolutional Block Attention Module,CBAM),有效降低模型的计算复杂度;在颈部网络优化路径聚合网络—特征金字塔网络(Path Aggregation Network-Feature Pyramid Network,PAN-FPN),检测头中引入圆形感知交并比(Intersection over Union,IoU)损失函数,通过多模块协同优化提升模型检测精度。经试验,该模型参数量为0.9 MB、浮点运算次数(Floating Point Operations,FLOPs)为2.6 G、平均精度均值50(mean Average Precision 50,mAP50)为78.6%、帧速率(Frames Per Second,FPS)为625。对比试验与消融试验结果均表明,YOLOv8n-Mob模型在保持高检测精度的同时,显著降低了参数量与计算量,更适配果园复杂场景的部署需求。展开更多
文摘针对果园复杂环境下苹果检测模型大小与精度难以兼顾的问题,文章基于YOLOv8n(You Only Look Once Version 8n,YOLOv8n)提出YOLOv8n-Mob(You Only Look Once Version 8n-Mobile-NetV3,YOLOv8n-Mob)模型。该模型以移动网络版本3(Mobile Network Version 3,MobileNetV3)为轻量化主干,结合分层通道注意力机制(Squeeze-and-Excitation,SE)/卷积块注意力模块(Convolutional Block Attention Module,CBAM),有效降低模型的计算复杂度;在颈部网络优化路径聚合网络—特征金字塔网络(Path Aggregation Network-Feature Pyramid Network,PAN-FPN),检测头中引入圆形感知交并比(Intersection over Union,IoU)损失函数,通过多模块协同优化提升模型检测精度。经试验,该模型参数量为0.9 MB、浮点运算次数(Floating Point Operations,FLOPs)为2.6 G、平均精度均值50(mean Average Precision 50,mAP50)为78.6%、帧速率(Frames Per Second,FPS)为625。对比试验与消融试验结果均表明,YOLOv8n-Mob模型在保持高检测精度的同时,显著降低了参数量与计算量,更适配果园复杂场景的部署需求。
