基于YOLOv5的轻量级无人机检测算法

为解决无人机“黑飞”造成的安全隐患,针对现有的基于深度学习的无人机目标检测算法模型参数量大、训练耗时长的问题,提出了一种基于YOLOv5算法的轻量级无人机实时目标检测(ED-YOLOv5s)算法。首先结合轻量化模型EMO对YOLOv5骨干网络的特征提取部分进行重构;其次引入归一化高斯Wasserstein距离（normalized gaussian wasserstein distance,NWD）和比例因子计算候选框之间的相似度来部分替代IoU（Intersectiom over Union）;然后引入无参注意力机制SimAM以优化权重分布,提升检测精确度,以达到对YOLOv5网络的Backbone、Head进行优化的效果,最终得到模型大小为4.57 M,浮点运算量为26.1 GFLOPs的ED-YOLOv5s轻量级无人机检测算法。实验数据表明,改进后的算法提高了检测精度,实现了模型轻量化,所提算法在DUT Anti-UAV数据集上AP@50值达到96.7%,在RTX2060显卡上检测速度达到37 frame/s。