引入注意力机制的改进型YOLOv5网络研究

摘要

为了提升复杂多尺度目标检测任务下的分类及定位准确度,在基准的YOLOv5目标检测算法基础上,设计了四组引入注意力机制模块的改进型YOLOv5网络,并在变电站内复杂多尺度检测场景数据集上进行对比实验。实验结果表明,相较于基准YOLOv5网络,SwinTrans-YOLOv5网络的mAP指标提升达9.0%,但模型运算量高达1,061.6GFLOPS(每秒千兆次浮点运算);CA-YOLOv5网络的mAP指标提升也达到4.1%,模型运算量仅需115.8 GFLOPS。因此,在硬件算力充足的情况下使用SwinTrans-YOLOv5网络可以获得更高的检测精度,但在硬件算力不足的情况下使用CA-YOLOv5网络,则实现了检测精度和速度间较好的平衡。