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。