基于YOLOv5的增强小目标检测.pdf

摘要

随着卷积神经网络在图像识别领域的广泛应用，通用场景下的目标

检测技术因其简单、快速、易于移植等特点而备受关注。小目标检测

（SmallObjectDetection，SOD）作为目标检测任务的子类，在智能交

通、地面侦察和海上救援等方面具有极为广阔的应用前景。相较于大中

目标的检测，小目标表现出极其有限的外观信息，目标与背景比例的不

平衡性再加上背景的干扰因素，这些特点都增加了特征识别的学习难度。

因此，本文利用YOLOv5（YouOnlyLookOnceversion5）对无人机航拍

数据集Visdrone2019中的小目标检测展开相关了研究，主要工作如下：

（1）针对大量聚集小目标互相遮挡的问题，提出了采用注意力机制的方

法来提高小目标的识别准确率。利用注意力机制提高目标特征图通道上的联系，

加强提取目标的特征信息。在YOLOv5网络结构中分别加入SE（Squeezeand

ExcitationNetworksCACoordinateAttentionECAEfficientChannel

）、（）和（

Attetion）注意力机制模块进行对比实验。结果表明，注意力机制模块的加入在

YOLOv5ECA

一定程度上改善了小目标的检测能力；另外，+网络的检测效果具

有明显的优势，在网络收敛速度提升的同时，精确率、召回率和平均精度均值

meanAveragePrecisionmAP7821513

（，）分别提高了%、.%和.%，单张

960*540的图片推理时间降低了47%。在小目标互相遮挡情况下，也得到了良好

的检测效果。

（2）针对小目标特征提取不充分问题，提出了一种基于YOLOv5的增强

YOLOv5ESODYOLOv5EnhancedSmallObject

型小目标检测网络-（-

Detection）。该网络通过特征金字塔（FeaturePyramidNetwork，FPN）将深层

Path

的语义特征传递到浅层来加强多尺度的语义表达；引用路径聚合网络（

AggregationNetwork，PANet）将浅层的位置信息传递到深层的方式来加强网络

KMeans

定位能力。同时分析了数据集锚框聚类的方式，改进了-聚类算法。结

果表明，使用IOU（IntersectionofUnion）聚类的YOLOv5-ESOD增强网络比

YOLOv5mAP119816141806

网络的精确率、召回率和分别提升了.%、.%和.%。

（3）针对YOLOv5-ESOD网络提高检测精度的同时导致模型的体积增大，

检测速度降低的问题，进一步提出了通过改变网络模型宽度并融合注意力机制

的方法来轻量化网络结构。结果发现，在轻量化后的模型加入ECA注意力机制

可在提高精度，并大幅减少模型体积。接着使用NVIDIATensorRT加速推理小

目标检测网络，单张960*540的图片推理速度提高了大约10倍，实现了对模型

I

的加速推理。在此基础上，利用Web、Flask搭建网页版人机交互界面实现了对

小