改进YOLOv5的小目标交通标志实时检测算法

在真实场景下准确实时检测小目标交通标志对自动驾驶有重要意义,针对YOLOv5算法检测小目标交通标志精度低的问题,提出一种基于改进YOLOv5的小目标交通标志实时检测算法。借鉴跨阶段局部网络思想,在YOLOv5的空间金字塔池化上设置新的梯度路径,强化特征提取能力;在颈部特征融合中增设深、浅卷积特征的可学习自适应权重,更好地融合深层语义和浅层细节特征,提高小目标交通标志的检测精度。为验证所提算法的优越性,在TT100K交通标志数据集上进行了实验验证。实验结果表明所提算法在小目标交通标志上的平均精度均值（mean average precision,mAP）为77.3%,比原始YOLOv5提升了5.4个百分点,同时也优于SSD、RetinaNet、YOLOX、SwinTransformer等算法的检测结果。所提算法的运行速度为46.2 frame/s,满足检测实时性的要求。     

基于改进YOLOv5的小目标检测

本文针对图像中小目标难以检测的问题,提出了一种基于YOLOv5的改进模型.在主干网络中,加入CBAM注意力模块增强网络特征提取能力;在颈部网络部分,使用BiFPN结构替换PANet结构,强化底层特征利用;在检测头部分,增加高分辨率检测头,改善对于微小目标的检测能力.本文算法在人脸瑕疵数据集和无人机数据集VisDrone2019两份数据集上均进行了多次对比实验,结果表明本文算法可以有效地检测小目标.     

基于YOLOv5的交通标志识别

交通标志识别是自动驾驶技术中的关键一部分.针对交通标志在道路场景中目标较小且识别精度较低的问题,提出一种改进的YOLOv5算法.首先在YOLOv5模型中引入全局注意力机制(GAM),提高网络捕获不同尺度交通标志特征的能力;其次将YOLOv5算法中使用的GIoU损失函数更换为更具回归特性的CIoU损失函数来优化模型,提高对交通标志的识别精度.最后在Tsinghua-Tencent 100K数据集上进行训练,实验结果表明,改进后的YOLOv5算法对交通标志识别的平均精度均值为93.00%,相比于原算法提升了5.72%,具有更好的识别性能.     

改进YOLOv5的交通标志检测算法

如今对交通标志的检测在自动驾驶、智慧交通等领域是必不可少的关键环节;其关系到人们的驾驶安全问题。针对目前对交通标志的识别存在漏检、误检以及识别精度低、模型参数过多的问题;提出了一种基于改进YOLOv5的交通标志检测算法。增加一个小目标检测头;提高对小目标的识别精度。设计了一种由CBAM、SPConv、C3相结合的CSC3模块;引入YOLOv5主干网络中;同时减少其数量;目的是提升特征提取能力;降低参数量。将用于检测大目标的检测头删除;再把SPP替换成SPPCSPC;提高模型对交通标志的检测能力。增加跨层连接;并且通过重构Concat连接;目的是提高算法的识别精度。引入EIOU来替换CIOU损失函数;从而解决漏检、误检问题。使用DWConv替换主干网络的Conv;目的是减少模型参数;提高检测精度。实验结果表明;改进后的算法的平均准确率均值mAP@0.5:0.95为62.6%;比原YOLOv5s提高了8.3个百分点;参数量下降了10.1%;并且检测速度达到了74?FPS;能够满足实际检测需求。     

基于坐标注意力的轻量级交通标志识别模型

针对交通标志识别模型检测速度与识别精度不均衡,以及受遮挡目标和小目标难以检测的问题,对YOLOv5模型进行改进,提出一种基于坐标注意力（CA）的轻量级交通标志识别模型。首先,通过在主干网络中融入CA机制,有效地捕获位置信息和通道之间的关系,从而更准确地获取感兴趣区域,避免过多的计算开销;然后,通过在特征融合网络中加入跨层连接,在不增加成本的情况下融合更多的特征信息,提高网络的特征提取能力,并改善对遮挡目标的检测效果;最后,引入改进的CIoU函数计算定位损失,以缓解检测过程中样本尺寸分布不均衡的现象,并进一步提高对小目标的识别精度。在TT100K数据集上应用所提模型时,识别精度达到了91.5%,召回率达到了86.64%,与传统的YOLOv5n模型相比分别提高了20.96%和11.62%,且帧处理速率达到了140.84 FPS。实验结果比较充分地验证了所提模型在真实场景中对交通标志检测与识别的准确性与实时性。     

基于YOLOv5的雾霾天气下交通标志识别模型

针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题,提出一种基于YOLOv5的雾霾天气下交通标志识别模型。首先,对YOLOv5的结构进行优化,采用逆向思维,通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别的问题,并通过调整残差模块的特征传递深度来抑制背景特征的重复叠加;其次,引入数据增强、K-means先验框、全局非极大值抑制（GNMS）等机制到模型;最后,在中国交通标志数据集TT100K上验证改进YOLOv5模型在面对恶劣天气时的检测能力,并对精度下降最显著的雾霾天气下的交通标志识别展开了重点研究。实验结果表明,改进YOLOv5模型的F1-score达0.921 50,平均精度均值@0.5 （mAP@0.5）达95.3%,平均精度均值@0.5：0.95 （mAP@0.5：0.95）达75.2%,且所提模型在恶劣天气下仍能进行交通标志的高精度识别,每秒检测帧数（FPS）达到50,满足实时检测的需求。     

改进YOLOv5s的交通标志识别算法

为了准确且实时地检测到交通标志指示牌,减少交通事故的发生和推动智慧交通的发展,针对现有的道路交通标志检测模型存在的精度不足、权重文件大、检测速度慢的问题,设计了一种基于计算机视觉技术的改进YOLOv5s检测算法YOLOv5s-GC.首先,使用copy-paste进行数据增强后再送入网络进行训练,加强对小目标的检测能力;然后,引入Ghost来构建网络,削减原网络的参数和计算量,实现轻量化模型;最后,将坐标注意力机制(coordinate attention)融合到骨干网络里,增强对待测目标的表示和定位能力,提高识别精度.实验结果表明,YOLOv5s-GC模型相比于原YOLOv5s模型,参数数目减少了12%,检测速度提高了22%,平均精度达到了94.2%,易于部署且能满足实际自动驾驶场景中对识别交通标志的速度和准确度要求.     

基于YOLOv5的交通标志识别系统

为了防止驾驶员因极端天气、照明条件不良、交通标志破损等原因误判或漏判道路交通标志而引发严重交通事故,以及促进智能汽车和无人驾驶技术的发展,提出一种基于YOLOv5算法的交通标志识别系统。YOLOv5在YOLOv4算法的基础上进行了检测性能提升的改进,其在目标检测方面的精度和速度都有极大的提升。实验在原有数据集的基础上还对图像进行了曝光、暗化、雾化、模糊等处理,以尽可能还原真实道路情况。实验采用Make Sense在线标注工具对数据集进行标注,在AutoDL品质GPU租用平台租赁GeForce RTX 3090对数据集进行训练。     

改进YOLOv5的交通标志检测算法

交通标志检测在自动驾驶、辅助驾驶等领域是一个重要的环节,关乎到行车安全问题。针对交通标志中存在目标小、背景复杂等难点,提出一种基于改进YOLOv5的算法。提出区域上下文模块,利用多种扩张率的空洞卷积来获取不同感受野,进而获取到目标及其相邻区域的特征信息,相邻区域的信息对交通标志小目标检测起到重要补充作用,可以有效解决目标小的问题;在主干部分引入特征增强模块,进一步提高主干的特征提取能力,利用注意力机制与原C3模块结合,使网络更能聚焦小目标信息,避免复杂背景的干扰;在多尺度检测部分,将浅层特征层与深层检测层进行特征融合,可以同时兼顾浅层位置信息与深层语义信息,增加目标定位与边界回归的准确度,更有利于小目标检测。实验结果表明,改进后的算法在交通标志检测数据集TT100K上取得了87.2%的小目标检测精度、92.4%的小目标召回率以及91.8%的mAP,与原YOLOv5算法相比较,分别提升了3.5、4.1、2.6个百分点,检测速度83.3 frame/s;在CCTSDB数据集上mAP为98.0%,提升了2.0个百分点,检测速度90.9 frame/s。因此,提出的改进YOLOv5算法可以有效...     

改进YOLOv5的轻量化RGB-IR融合小目标检测

针对RGB-IR图像中的目标检测问题,文章提出一种基于YOLOv5的轻量化RGB-IR融合小目标检测算法。该算法首先使用单应性变换对齐RGB与IR图像,并拼接为四通道张量输入检测网络,以实现联合特征提取。其次,使用SE注意力机制分配特征通道权重,以实现特征级融合,减少特征矛盾并提高检测的鲁棒性,并进一步改进网络连接,使用浅层特征以增强小目标检测准确性。最后,使用Ghost卷积替代传统卷积,以降低计算量与参数量。实验结果表明,该融合检测算法在小目标数据集上验证改进结果明显,并实现嵌入式部署验证,在2TOPS算力NPU上实现30fps帧率的实时检测。     

改进YOLOv7在复杂场景下的交通标志检测算法

为解决现有目标检测算法在复杂场景下对交通标志的误检、漏检等问题, 提出一种改进YOLOv7的交通标志检测算法YOLOv7-MBFE。首先, 提出一种基于膨胀卷积的多分支特征提取模块, 控制最短和最长的梯度路径, 增强模型的特征提取能力; 其次, 在头部网络中构建渐进特征金字塔结构, 充分融合不同层次的特征信息, 改善模型的特征表达能力; 在SPPCSPC模块中引入通道注意力机制, 自适应调整通道的权重, 增强不同通道之间的特征交互, 并将多头自注意力机制融合至下采样阶段, 增强模型对全局上下文信息的感知能力, 提高模型在复杂场景下的检测性能; 最后, 使用Focal-EIoU替换原YOLOv7模型中的损失函数, 使模型更专注于高质量的锚框, 加快模型的收敛速度, 提高模型的鲁棒性。在中国交通标志检测数据集上进行大量实验, 结果表明, 相较于YOLOv7算法, 该算法的平均精度均值(mAP)提升了9.25%, 准确率提升了3.92%, 召回率提升了5.19%。改进后的算法能够显著改善复杂场景下的误检、漏检等问题, 检测效果优于原始算法和经典目标检测算法。     

改进YOLOv5-S的交通标志检测算法

在自动驾驶领域,现有的交通标志检测方法在检测复杂背景中的标志时存在着漏检或误检的问题,降低了智能汽车的可靠性。对此,提出了一种改进YOLOv5-S的实时交通标志检测算法。在特征提取网络中融合坐标注意力机制,通过构建目标的长范围依赖来捕获物体的位置感知,使得算法聚焦于重点的特征区域;引入Focal-EIoU损失函数来取代CIoU,使其更关注高质量的分类样本,提高对难分类样本的学习能力,减少漏检或者误检的问题;在网络中融合轻量级卷积技术GSConv,降低模型的计算量。增加新的小目标检测层,通过更丰富的特征信息提高小尺寸标志的检测效果。实验结果表明,改进方法的mAP@0.5和mAP@0.5：0.95分别为88.1%和68.5%,检测速度达到了83?FPS,能够满足实时可靠的检测需求。     

YOLOv5的改进算法及其在自动驾驶多目标检测的应用研究

车辆、行人等交通参与者的实时检测是自动驾驶汽车与外界环境实现信息交互的重要环节;而在复杂天气条件下多目标检测精度低仍是一个挑战性问题。提出了一种YOLOv5的改进算法及其在自动驾驶多目标检测的应用方法。该方法采用K-means++算法对数据集中的目标样本聚类;以获得更符合不同目标尺度的锚框;提高多目标定位及其实体分割的精度;在原YOLOv5的骨干网络中添加Coordinate Attention（坐标注意力）模块;以提高模型的特征提取能力;将原YOLOv5网络中的PANet（路径聚合网络）结构替换为BiFPN（双向特征金字塔）结构;实现自上而下与自下而上的深浅层特征双向融合;提高模型对不同尺度目标的整体检测精度。对比实验结果表明:改进后的YOLOv5算法获得了更好的性能;目标检测的mAP达到了92.2%;比改进前的YOLOv5算法提升了8.47%。     

复杂环境下基于改进YOLOv5的手势识别方法

针对目前复杂环境下因光照不均匀、背景近肤色以及手势尺度较小等原因导致的手势检测算法识别率低的问题,提出了一种手势识别方法 HD-YOLOv5s。首先采用基于Retinex理论的自适应Gamma图像增强预处理方法降低光照变化对手势识别效果的影响;其次构建具有自适应卷积注意力机制SKNet的特征提取网络,提高网络的特征提取能力,减少复杂环境中的背景干扰问题;最后在特征融合网络中构建新型的双向特征金字塔结构,充分利用低层级特征以降低浅层语义信息的丢失,提高小尺度手势的检测精度,同时采用跨层级联的方式,进一步提高模型的检测效率。为了验证改进方法的有效性,分别在具有丰富光照强度对比的自制数据集和具有复杂背景的公共数据集NUS-Ⅱ上进行实验,识别率达到了99.5%和98.9%,单帧照片的检测时间仅需0.01～0.02 s。     

面向交通标志的改进YOLO目标检测算法

针对当前算法在面对交通标志时存在识别精度低、检测错误较多等问题,提出了一种基于YOLOv5 优化的交通标志检测方法.在 Backbone部分,为了获得不同大小的感受野,不同复杂度的特征,并增强特征图的重要特征,抑制冗余特征,使用 DBB 重参数模块代替 Conv 卷积,并加入 SE 注意力机制;在Neck部分,设计了新的SLA Neck,聚合来自不同层的特征图,有效防止小目标特征信息损失,对融合后的特征进行上采样,增加小目标检测层,增强浅层语义信息;在Head部分引入IoU-Aware查询选择,即将IoU分数引入分类分支的目标函数,预测框与GT的IoU作为类别预测的标签,以实现对正样本分类和定位的一致性约束;使用SIoU损失函数代替CIoU损失函数,考虑真实框与预测框之间的方向,提升收敛速度和推理能力.实验结果表明,在TT100K数据集下,方法相较于YOLOv5m,计算量减少了 3.3%,参数量减少了 34.8%,而mAP和mAP@50:95 分别提升了 13.8%和 10.4%.实验说明,该模型在减少模型参数量及大小的同时提高了检测精度,具有应用价值.     

基于特征融合与注意力机制的无人机图像小目标检测算法

由于无人机航拍图像目标物体尺寸太小、包含的特征信息少,导致现有的检测算法对小目标的检测效果不理想。针对该问题,在YOLOv5主干网络中融入多头注意力机制,可以有效整合全局特征信息。随着网络深度的不断加深,模型将更关注高层的语义信息,进而忽略对小目标检测至关重要的底层细节纹理特征,以致小目标的检测效果较差。因此,提出浅层特征增强模块来学习底层特征信息,达到增强小目标特征信息的目的。此外,为了加强特征融合的能力,设计了一种多级特征融合模块,将不同层级的特征信息进行聚合,使网络能够动态调节各输出检测层的权重。实验结果表明,该算法在公开数据集VisDrone2021平均均值精度达到45.7%,相比原YOLOv5算法提升了3.1%,对高分辨率图像的检测速度FPS达到41帧/秒,满足实时性,与其他主流算法相比该算法检测精度有明显提升。     

改进YOLOv5的苹果花生长状态检测方法

针对现有目标检测算法难以在果园复杂环境下对苹果花朵生长状态进行高精度检测的问题,提出一种改进YOLOv5的苹果花朵生长状态检测方法,对花蕾、半开、全开、凋落四类苹果树开花期花朵生长状态进行检测。该方法对跨阶段局部网络模块进行改进,并调整模块数量,结合协同注意力模块设计主干网络,提高模型检测性能并减少参数。结合新的检测尺度与基于拆分的卷积运算设计特征融合网络,提升网络特征融合能力。选用CIoU作为边框回归的损失函数实现高精度的定位。将改进算法与原始YOLOv5算法在自建数据集上进行对比实验,结果表明,改进算法mAP达到0.922,比YOLOv5提高5.4个百分点,与其他主流算法相比检测精度有较大提升,证明了算法的有效性。