基于改进YOLOv5s的行人车辆目标检测算法

针对传统的行人车辆目标检测算法因参数量大和计算复杂度高而在现实应用中受限的问题，基于轻量化深度学习网络提出改进的YOLOv5s行人车辆目标检测算法.首先，选用ghost模块替换主干网络中部分卷积模块进行模型剪枝，同时向网络中引入注意力机制，使得网络在减少模型参数量和提升模型性能两方面实现更好的平衡；其次，采用边界框的宽高差值计算代替边界框回归损失函数中宽高比距离的计算，加速网络的收敛；最后，通过构建真实交通场景下的行人车辆目标检测数据集检验模型的准确性和实时性.实验结果表明，在保持原算法较高精度的同时，改进后YOLOv5s算法的参数量下降28%,模型大小降低27%,节省了硬件成本，拓宽了YOLOv5s算法的应用场景.