基于改进的YOLOv5城市道路车辆行人检测方法

城市道路上车辆行人的检测是自动驾驶汽车环境感知功能中的核心要素之一。针对现有城市道路车辆行人检测任务在使用目标检测算法检测精度低,检测位置不准确等问题,提出一种基于改进YOLOv5的城市道路车辆行人检测新算法—HCA-YOLOv5目标检测算法。通过K-means++聚类算法重新设计并更新锚框初始值并将其匹配到对应特征层,以提高模型对检测目标的检测性能;通过利用城市道路图像中不同高度上的类别分部特点并结合Transformer结构改进HANet的注意力结构,提高I模型I对输入图像的全局上下文特征提取能力,加强网络.对城市道路场景图片中不同类别的辨别.能力。实验结果表明,在自动驾驶数据集KTT上,所改进算法的均值平均精度（mAP）达到了9193%,相比原YOLOv5算法mAP提高了292个百分点,满足了城市道路场景下车辆形容的准确率要求。     

基于树莓派与YOLOv5-Lite模型的行人检测系统设计

把在PC端上训练好的YOLOv5s与YOLOv5-Lite目标检测模型分别部署在搭载Linux系统的树莓派4B平台上,并在此平台上搭建深度学习环境,构建道路行人检测系统。对这两个模型进行分析对比,实验结果表明,在识别准确率相差0.1%的情况下,YOLOv5-Lite模型相对于原YOLOv5s模型,网络参数量下降了78.26%,模型计算量下降了77.91%,模型内存大小下降了75.52%,检测速度提高了91.67%。综上,本文提出的基于树莓派和轻量化YOLOv5-Lite目标检测网络模型的行人检测系统兼顾了识别准确、适用性好、小型化、成本低等综合性能优势。     

改进YOLOv5的轻量化口罩检测算法

为了提高现有口罩检测算法检测效率,降低算法参数量以及模型大小,提出了一种改进的轻量化口罩检测算法YOLOv5-MBF。用GELU激活函数替换MobileNetV3深层网络的hard-swish激活函数,优化了模型收敛效果,将改进的MobileNetV3网络替换YOLOv5s主干网络,降低计算量提高模型检测速度。增加BiFPN特征金字塔结构与不同特征层融合,提高了检测精度。在数据处理方面使用Mosaic和Mixup数据增强提高该模型的泛化性和鲁棒性。边框回归损失函数使用Focal-Loss EIoU,优化了模型训练收敛速度且提高了口罩和人脸边框定位精度。最后添加CBAM注意力机制使得模型更关注重要特征抑制不显著特征提高检测性能。实验结果表明,该算法在佩戴口罩目标和无佩戴口罩目标上的平均精度均值达到了89.5%,模型推理速度提升了43%,模型参数了减少了49%,模型大小降低了48%,满足口罩检测任务的实时性和检测精度要求。     

基于改进YOLOv7-tiny的户外行人检测算法研究

在行人检测的高密度交通场景中,检测算法通常会漏掉被遮挡和远处的模糊行人,同时无法兼顾检测的精度和速度。针对这些问题,基于YOLOv7-tiny提出一种改进的户外行人检测算法。该算法引入SENet注意力机制,抑制了不相关的信息,以此提高特征图表达信息的能力,同时增强了对行人目标特征的提取。为了更好地识别目标的边缘和重叠情况,提高回归精度,在损失函数中用SIoU代替CIoU,提升了遮挡情况下的检测率。根据在WiderPerson数据集上的实验,在保证检测速度的前提下,对比YOLOv7-tiny检测算法,平均检测精度提升了2个百分点。实验结果表明,经过改进的算法可以显著提高检测性能。     

基于改进的YOLOv4模型的行人检测算法

为提高行人检测算法在实际应用中的准确率,提出在YOLOv4模型中融合Vision Transformer模型与深度可分离卷积的vit-YOLOv4模型。该模型将Vision Transformer模型加入YOLOv4模型的主干特征提取网络与空间金字塔池化层中,充分发挥该模型的多头注意力机制对图像特征进行预处理的能力;同时,用深度可分离卷积替换路径聚合网络中堆叠后的常规卷积,以便模型在后续的特征提取中能够提取出更多有用的特征。实验结果表明,vit-YOLOv4模型提高了行人检测的准确率,降低了漏检率,综合性能较优。     

基于改进YOLOv3行人检测研究

行人的检测与跟踪在智能交通、自动驾驶领域中均有广泛的应用。针对图像中小目标检测率低问题,提出了一种YOLOv3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,为了获取更多的小目标特征信息,在YOLOv3网络结构的基础上添加三层SPP网络,通过SPP模块实现了局部特征和全局特征,SPP模块中最大的池化核大小要尽可能地接近或者等于需要池化的特征图的大小,特征图经过局部特征与全局特征相融合后,丰富了特征图的表达能力,有利于待检测图像中目标大小差异较大的情况。用改进的YOLOv3算法和原YOLOv3算法在数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效的检测小目标,对小目标的平均准确率有明显的提升。     

基于ResNet34_D改进YOLOv3模型的行人检测算法

针对自动驾驶场景下行人检测任务中对中、小尺寸目标和被遮挡目标的检测需求,以及现有深度学习模型的不足,提出基于ResNet34＿D的改进YOLOv3模型:通过改进残差网络的卷积块结构提出ResNet34＿D,并作为YOLOv3的主干网络以降低模型尺寸和训练难度;在ResNet34＿D的3个尺度卷积特征图之后,增加SPP层和DropBlock模块以提高模型的泛化能力;基于K-means聚类算法确定自适应的多尺度锚框尺寸,提高对大、中、小3种尺寸行人目标的检测能力;引入DIoU损失函数,提高对被遮挡目标的识别能力.所提出模型的消融实验验证了各个改进部分在提高模型检测准确率上的有效性.实验结果表明,所提出的基于ResNet34＿D的改进YOLOv3模型具有较好的准确率和实时性,在BDD100K-Person数据集上的AP50达到69.8%,检测速度达到130 FPS.由所提出方法与现有目标检测方法的对比实验可知,所提出方法对小目标和遮挡目标的误检率更低,速度更快,具有一定的实际应用价值.     

基于YOLOv4改进算法的复杂行人检测模型研究

在图像和视频序列中进行行人检测时,存在行人姿态和尺度多样及行人遮挡的问题,导致YOLOv4算法对部分行人检测不准确,存在误检和漏检的情况。针对这一问题,提出了基于YOLOv4改进算法的复杂行人检测模型。首先,使用改进的k-means聚类算法对行人数据集真实框尺寸进行分析,根据聚类结果确定先验框尺寸;其次,利用PANet进行多尺度特征融合,增强对多姿态、多尺度行人目标的敏感度,以提高检测效果;最后,针对行人遮挡问题,使用斥力损失函数使预测框尽可能地靠近正确的目标。实验表明,相比于YOLOv4和其他行人检测模型,新提出的检测模型具有更好的检测效果。     

基于改进YOLOv5s的四旋翼自主降落标识检测算法

无人机自主降落是无人机领域研究的热点之一,导航信息在自主降落过程中又起到至关重要的作用,而视觉导航相较于传统导航方式可以提供更多环境信息,有利于提高无人机着陆安全性。当无人机飞行高度越高,机载相机捕获到的降落标识物就越小,为了提升无人机识别标识物的能力,基于YOLOv5s算法提出了一种改进的无人机实时小目标检测算法。首先,为了检测到更小尺度的目标在原算法基础上新增一个检测头;然后采用BiFPN代替原先PANet结构,提升不同尺度的检测效果;最后将EIoU Loss替换CIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高模型整体性能。将改进算法应用于无人机自主降落场景下的二维码降落标识检测,实验结果表明改进后的算法在小目标检测中相比于原始YOLOv5s算法的特征提取能力更强、检测精度更高,证明了改进算法的优越性。     

改进YOLOv5s的车辆目标检测算法研究与实现

针对在实际交通场景中对车辆目标检测算法有占用资源小、保证实时性和准确率高的要求,提出了一种基于改进YOLOv5s的车辆目标检测算法。首先,引入GhostNet改进YOLOv5s的Backbone,降低了网络的计算量,提高了检测速度;其次,融合CBAM注意力机制,改善在各种天气、光照情况下难以被准确检测的问题;然后,使用Soft-NMS代替NMS,减少了交通拥堵等情况造成的漏检问题;最后,对改进后的算法进行了对比消融实验,验证其性能,再部署到嵌入式设备端测试。根据实验结果,改进算法在保证较高的平均精度的情况下,模型资源占用降低了34.76%,在嵌入式平台上的帧率可以达到29 frame/s,可以达到实际应用的要求。     

LPD-YOLO:轻量级遮挡行人检测模型

在驾驶场景中,针对行人间的遮挡和尺度多变现象导致的检测精度较低、模型参数量过大和难以部署到移动端等问题,提出了一种基于YOLOv5s模型的轻量级实时行人检测模型LPD-YOLO。首先,在特征提取部分采用MES Net替换原主干网络,并在主干网络中嵌入注意力模块SA,增强网络特征提取能力;其次,在特征融合部分采用DS-ASFF结构改进原PANet,使其充分融合不同尺寸的特征图;然后,采用GS卷积代替特征融合网络中的部分标准卷积,在不影响精度的条件下,进一步减少模型参数量和计算量;最后,在预测部分使用OTA标签分配策略结合α-IOU改进原损失函数,加速模型收敛。实验结果表明,该模型相较于YOLOv5s,参数量减少了81.2%,浮点运算量降低了46.3%,模型大小减小了75.8%,检测精度提高了3.3%。单幅图像检测速度达到了13.2 ms,更好地满足了驾驶场景下密集行人的实时检测要求。     

面向拥挤行人检测的CA-YOLOv5

针对YOLOv5在拥挤行人检测任务中漏检率高、特征融合不充分等问题,提出了CA-YOLOv5行人检测算法。针对原主干网络对细粒度特征融合不充分的问题,采用Res2Block重建YOLOv5的主干网络,以提升网络的细粒度特征融合能力,提高检测精度。针对数据集目标尺度变化大的问题,引入coordinate attention（CA）模块增强感受野,增强模型对目标的精确定位能力。针对FPN结构在特征融合时导致多尺度特征表达能力下降的问题,提出特征增强模块,以增强多尺度特征的表达能力。通过结构重参数化的方法减少模型的计算量与参数量,加快目标检测速度。针对行人检测任务中普遍存在的拥挤行人问题,提出EViT模块,增强模型关注局部信息的能力,提高检测精度。实验证明,在拥挤行人检测任务中,CA-YOLOv5的检测精度达到84.86%,相较于原算法提高了3.75%,检测速度可以达到51?FPS,具有较好的检测精度与实时性。因此,CA-YOLOv5可以更好地应用于实时行人检测任务中。     

改进YOLOv3网络结构的遮挡行人检测算法

针对YOLOv3算法在监控视频行人检测中对遮挡目标漏检率较高的问题,文中提出改进YOLOv3网络结构的遮挡行人检测算法.首先在网络全连接层引入空间金字塔池化网络,增强网络的多尺度特征融合能力.然后采用网络剪枝的方式,精简网络冗余结构,避免网络层数加深导致的退化和过拟合问题,同时减少参数量.在走廊行人数据集上进行多尺度训练,获得最优的权重模型.实验表明,文中方法在平均准确率和检测速度上都有所提升.     

基于YOLOv5的角度优化抓取检测算法研究

针对目前机器人抓取检测方法抓取角度预测过于离散,抓取过程可能产生较大偏角,降低抓取检测精度,甚至导致抓取失败的问题,提出了一种基于YOLOv5神经网络模型改进的机器人实时抓取检测方法。以单阶段目标检测模型YOLOv5为基础,提取抓取框坐标及抓取角度。对抓取角度进行更细致的划分,同时引入环形平滑标签以适应角度的周期性,建立相邻角度之间的联系,将YOLOv5检测头进行解耦,并对损失函数进行优化,提高检测精度。在Cornell数据集上进行实验验证。实验结果表明,与经典的抓取检测方法相比,所提算法能够更好地预测抓取角度,提升抓取检测精度;在Cornell数据集上,此模型达到了97.5%的准确率以及71 FPS的检测速度。     

基于改进YOLOv5s的车辆目标检测算法

公路监控探头已基本完成对路网的全覆盖,为提高公路的运营能力和服务水平,实现对车辆运行情况的实时监测,需要使用先进的智能化手段推进监控视频系统的改造升级。本文提出一种改进的YOLOv5s算法对车辆目标进行检测,使用轻量级Mobile Netv3网络对YOLOv5s的骨干网络进行替换,降低模型的复杂程度,提高实时检测速度。选用开源的UA-DETRAC数据集进行实验,在进行200次迭代后,改进模型的召回率达到98.8%,精度达到97.9%,检测速度提高了18%。     

基于YOLOv5的小目标检测

在进行目标检测时,小目标会出现漏检或检测效果不佳等问题.本文将YOLOv5算法用于小目标检测,YOLOv5有3个检测头,能够多尺度对目标进行检测,并对数据做了Mosaic数据增强、自适应锚框计算、统一图片尺寸等数据预处理,对小目标有很好的检测效果.基于YOLOv5的基础上进行改进,把CIOU_Loss、DIOU_nms...     

基于Mobilenetv2-YOLOv4模型的行人车辆检测算法

无人驾驶关键技术不断突破,并在更多场景中得到应用。研究车辆行人自动化检测算法具有十分重要的意义。为了提升系统的检测效果,解决因目标物体尺寸太小、目标遮挡以及复杂环境等因素影响所导致的检测精度不高的问题,提出了一种改进的YOLOv4模型对数据集进行训练,采用轻量化网络Mobilenetv2代替YOLOv4中原有的主干网络,以此获取有效特征层,降低原有网络的运算量和参数量。实验结果表明,改进的Mobilenetv2-YOLOv4模型可以达到40.76%的平均精度,每个epoch的学习时间仅约12 min,既保证了识别精度又提高了检测速度。     

基于YOLOv4与光流法的行人检测和计数方法研究

针对行人进行检测与统计的问题进行分析和研究,提出一种基于深度学习的方法.首先分析YOLOv4算法的优越性,并使用监控下获取的行人图像和YOLOv4算法,训练出深度学习模型.再在监控下进行实时行人检测和统计,针对部分实验结果精度较小的问题,采用光流法进行改进.改进后的检测速度以及检测精度基本满足行人检测和计数的需求.     

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...