基于YOLO系列的目标检测改进算法.pdfVIP

摘要

基于YOLO系列的目标检测改进算法

目标检测是计算机视觉领域重要的研究课题，在工业界具有广泛的实际应用

价值。本文聚焦于目标检测任务，提出了基于YOLOv5的目标检测改进算法，在

具有挑战性的MSCOCO2017数据集上进行了实验。实验结果是：以YOLOv5s和

YOLOv5m为基准，本文的改进模型在基本维持推理速度的同时，也提升了检测的

精确度，尤其对于中、小目标的检测有较好的提升，具有一定的实际意义。本文的

主要内容可以分为如下几个部分：

第一部分介绍了目标检测的研究背景，综述了基于深度学习的主流目标检测

算法以及典型的特征融合结构。

第二部分介绍了YOLO系列的最新改进算法YOLOv5，从数据增强、网络结

构、损失函数等方面进行了具体的阐述。

第三部分提出了本文改进的新型特征融合方式。首先，考虑到BiFPN结构的

优势，我们将双向特征融合应用到检测网络中，并将原来按像素求和的融合策略更

改为按通道拼接的方式；其次，改进低层级特征的生成方式，充分利用低层级特征

的信息，以达到提高小目标检测精度的目的。

实验部分，我们选择具有挑战性的包含11万张图像的MSCOCO2017数据集。

与YOLOv5s进行对比实验，我们的改进模型精度（mAP）由原来的36.7%提升到

38.1%，召回率由57.4%提升到58.4%；在小尺度目标上，改进模型精度由原来的

21.0%提升到22.7%；在中尺度目标上，由42.1%提升到43.0%。与YOLOv5m进

行对比实验，改进模型精度由原来的44.5%提升到44.7%；在小尺度目标上，改进

模型精度由27.4%提升到28.6%。其次，对于损失函数部分，我们将原来的二分类

交叉熵损失改为Focalloss进行了对比实验。我们发现，与二分类交叉熵损失相比，

使用Focalloss并不一定能够提升精度。此外，我们还将改进后的算法与其他同类

方法进行比较。数据结果表明，以YOLOv5s和YOLOv5m为基准，我们的改进模

型在检测的精度和召回率上都有一定的提升，尤其对于小、中尺度目标有较好的提

升。最后，测速实验显示我们的模型在提高精度的同时，也基本维持了推理速度。

关键词：目标检测，YOLOv5算法，特征融合，MSCOCO数据集

Abstract

AnImprovedAlgorithmforObjectDetectionBasedonYOLOSeries

Thetaskofobjectdetectionisanimportantsubjectinthefieldofcomputervision

andhasawiderangeofpracticalapplicationsinindustry.Inthispaper,wefocusonthe

taskofobjectdetection,andproposeanimprovedobjectdetectionalgorithmbasedon

YOLOv5.Inaddition,weconductexperimentsonthechallengingMSCOCO2017

dataset.TheexperimentalresultisthatbasedonYOLOv5sandYOLOv5m,ourmodel

improvestheaccuracyofthedetectionespeciallyformediumandsmalltargets,while

basicallymaintainingtheinferencespeed.

Themaincontentsofthispapercanbedividedintothefollowingparts:

Thefirstpart,weintroducetheresearchbackgroundofobjectdetection,summarize

thetypicalobjectdetectionalgorithmsbasedondeep