一种改进的YOLOv5小目标交通标志检测方法.pdfVIP

一种改进的YOLOv5小目标交通标志检测方法.pdf

第40卷第10期算机仿真2023年10月

文章编号：1006-9348(2023）10-0152-05

一种改进的YOLOv5小目标交通标志检测方法

李孟歆，李易营，李松昂

（沈阳建筑大学电气与控制工程学院，辽宁沈阳110168）

摘要：针对实景交通标志检测方法研究中存在小目标识别精度较低、网络模型较大等问题，将一种改进的YOLOv5网络模型

用于交通标志检测中。通过削减特征金字塔深度、引人卷积注意力模块优化网络结构，保留小目标信息并增强模型特征提

取能力。采用K-means聚类算法确定适用于小目标识别的初始锚框，进一步提高模型检测精度。通过TT100K数据集验证

表明，与YOLOv5模型相比，上述方法平均准确率提高3.0%，小目标检测平均精度提高5.0%，且模型大小为原模型的

25.1%，保证较高识别能力的同时减少了模型参数量，实验对比结果验证了该方法的有效性。

关键词：交通标志识别；特征金字塔；注意力模块；初始锚框优化

中图分类号：TP391.41文献标识码：B

ImprovedSmallTargetTrafficSignDetection

AlgorithmBasedonYOLOv5

LIMeng-xin,LIYi-ying,LISong-ang

(CollegeofElectricalandControlEngineering,ShenyangJianzhuUniversity,ShenyangLiaoning110168,China)

ABSTRACT:Inthestudyofreal-worldtrafficsigndetectionmethods,thereareproblemssuchaslowaccuracyof

smalltargetrecognitionandlargenetworkmodel,soweproposeanimprovedYOLOv5networkmodelfortrafficsign

detection.Byreducingthedepthofthefeaturepyramidandintroducingtheconvolutionalattentionmoduletooptimize

thenetworkstructure,ithelpstoretainsmalltargetinformationandenhancetheabilityofmodelfeatureextraction.

TheK-meansclusteringalgorithmobtainstheinitialanchorframesuitableforsmalltargetrecognition,furtherimpro-

vingthemodeldetectionaccuracy.TheverificationoftheTT10OkdatasetshowsthatcomparedwiththeYOLOv5

model,theaverageaccuracyofthismethodisimprovedby3.0%,theaverageaccuracyofsmalltargetdetectionisim-

provedby5.0%,andthesizeofthemodelis25.1%oftheoriginalmodel,ensuringahighrecognitioncapability