安全帽佩戴检测网络模型的轻量化设计

现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题。提出一种轻量化设计的DT-YOLO模型，对YOLOv4-Tiny目标检测模型进行改进，通过增加一个检测层提高模型在密集场景下对小目标的检测能力，并引入空间金字塔池化模块，提高模型对不同尺寸目标的检测能力。使用局部稀疏因子衰减算法进行稀疏化训练，从而使经过稀疏化训练后模型的平均精度均值（mAP）得到提高。根据缩放系数判断通道的重要性，并进行模型的通道剪枝，压缩模型的大小和计算量。使用TensorRT推理加速引擎进行网络层水平和垂直融合，消除拼接层操作，并将参数压缩成16位浮点型，提高模型的推理速度，最后在Jeston Nano边缘计算设备上实现模型部署。实验结果表明，与YOLOv4-Tiny模型相比，DT-YOLO模型的mAP提高了3.6个百分点，模型大小减少了83.5%，帧率提高137.7%，能够满足安全帽佩戴检测的要求。