基于改进YOLOv5的目标检测算法研究

【摘要】：YOLOv5是目前单阶段目标检测性能较好的算法，但对目标边界回归的精确度不高，难以适用对预测框交并比要求较高的场景。基于YOLOv5算法，提出一种对硬件要求低、模型收敛速度快、目标框准确率高的新模型YOLO-G。改进特征金字塔结构（FPN），采用跨层级联的方式融合更多的特征，一定程度上防止了浅层语义信息的丢失，同时加深金字塔深度，对应增加检测层，使各种锚框的铺设间隔更加合理；其次把并行模式的注意力机制融入到网络结构中，赋予空间注意力模块和通道注意力模块相同的优先级，以加权融合的方式提取注意力信息，使网络可根据对空间和通道注意力的关注程度得到混合域注意力；通过降低网络的参数量和计算量对网络进行轻量化处理，防止因模型复杂度提升造成实时性能的损失。使用PASCAL VOC的2007、2012两个数据集来验证算法的有效性，YOLO-G比YOLOv5s的参数量减少了4.7%，计算量减少了47.9%，而mAP@0.5提高了3.1个百分点，mAP@0.5:0.95提高了5.6个百分点。