基于注意力与多级特征融合的YOLOv5算法

针对复杂场景下目标检测与识别精度较低的问题，提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制，增强对特征空间和通道信息的学习能力，同时在瓶颈网络中采用多级特征融合结构，对不同分支的特征进行融合，增加特征的丰富性，提升应对复杂场景的能力。此外，利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积，降低网络参数量和复杂度。结果表明：与传统的YOLOv5s算法相比，所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。