基于改进YOLOv4的轻量级车辆检测方法

摘要

道路车辆检测是智能交通管控的重要组成部分。针对现有车辆检测算法模型容量大、参数数量较多、占用内存多,难以在智能交通监控场景中适用于算力和内存均有限的边缘设备的问题,提出一种改进YOLOv4的轻量化车辆检测方法MC-YOLO。为了减少算法的参数量,把YOLOv4网络模型压缩到合适的大小,对网络的部分结构做了针对性的设计:保留原YOLOv4的主干网以外的其余模块,将YOLOv4的主干CSPDarknet53替换为MobileNetV3使其轻量化;另外,为了弥补主干网络轻量化导致的车辆检测效果的下降,在检测网络的骨干和加强特征提取部分之间插入CBAM模块,提升车辆检测模型的性能。实验结果表明,经过改进的车辆检测算法在UA-DETRAC数据集上体现了良好的性能,平均精度与原YOLOv4算法相近,模型在参数量上比原YOLOv4模型减少了约77%,模型大小仅为55.3 MB,较原YOLOv4模型减少了约190 MB。改进后的车辆检测算法在模型轻量化的同时不仅能够保证较高的检测精度,而且能够满足在算力资源有限的边缘设备进行实时性车辆检测的需求。