针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题,文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNe...针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题,文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNeck)结构重新构建特征提取网络,减少模型的参数量和计算复杂度。在特征融合部分采用GSConv(Ghost-Shuffle Convolution)轻量级卷积和VoV-GSCSP(VoVNet-Ghost Shuffle-Cross Stage Partial)结构分别替换原始卷积和CSP(Cross Stage Partial)模块,在保证精度的同时使模型轻量化效果最佳。采用角度惩罚度量的SIoU(SCYLLA-Intersaction over Union)损失优化边界框损失函数,提升了轻量化后的模型精度和泛化能力。实验结果表明,改进YOLOv5s-GGS(YOLOv5s-GhostNet GSConv SIoU)模型相较于原始网络模型的精确度、召回率和平均精度均值(mean Average Precision,mAP)分别提高了7.0百分点、3.5百分点和3.8百分点,参数量、计算复杂度和权重降低了42%以上。相较于主流目标检测模型,所提模型具有更高的检测精度以及更少的模型体积,实现了模型的轻量化,精度提升较大,推理速度较快,更适合部署于移动设备。展开更多
文摘针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题,文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNeck)结构重新构建特征提取网络,减少模型的参数量和计算复杂度。在特征融合部分采用GSConv(Ghost-Shuffle Convolution)轻量级卷积和VoV-GSCSP(VoVNet-Ghost Shuffle-Cross Stage Partial)结构分别替换原始卷积和CSP(Cross Stage Partial)模块,在保证精度的同时使模型轻量化效果最佳。采用角度惩罚度量的SIoU(SCYLLA-Intersaction over Union)损失优化边界框损失函数,提升了轻量化后的模型精度和泛化能力。实验结果表明,改进YOLOv5s-GGS(YOLOv5s-GhostNet GSConv SIoU)模型相较于原始网络模型的精确度、召回率和平均精度均值(mean Average Precision,mAP)分别提高了7.0百分点、3.5百分点和3.8百分点,参数量、计算复杂度和权重降低了42%以上。相较于主流目标检测模型,所提模型具有更高的检测精度以及更少的模型体积,实现了模型的轻量化,精度提升较大,推理速度较快,更适合部署于移动设备。
