基于改进YOLOv5s的轻量化目标检测算法

摘要

针对当前YOLOv5s的颈部特征提取网络PANET的特征提取不足、常规卷积Conv消耗了大量的参数量和计算量的问题,提出一种轻量化目标检测算法(RFBG-YOLO)。首先,为了提升检测器识别效果,提出多分支空洞卷积结构RFB-Bottleneck来提升PANET的特征提取能力,提高模型检测精度;然后,为了使模型更加轻量化,引入GhostConv卷积减少模型参数量,提高检测速度。在PASCAL VOC数据集上的结果表明,在检测速度影响很小的情况下,RFBG-YOLO算法的mAP@0.5为80.3%,与YOLOv5s算法相比提高了2.2个百分点,mAP@0.5∶0.95为55.1%,与YOLOv5s算法相比提高了4.2个百分点,模型参数量为5.2 MiB,与YOLOv5s算法相比降低了2.0 MiB,因此提出的RFBG-YOLO算法在保证模型轻量化的同时,具有足够高的检测精度,可以满足在轻量化目标检测场景下检测准确度的要求。