基于改进YOLOv5s的车辆检测研究

【目的】针对目标检测算法在车辆检测领域中应用时存在模型复杂、检测精度较低的问题，基于改进YOLOv5s算法开展车辆检测研究。【方法】以Ghost模块来替换YOLOv5s中的主干网络，以达到模型剪枝的目的，改进后的网络模型复杂度有所降低，从而解决了网络模型较大的问题。同时，可引入挤压—激励注意力机制来提取更重要的特征信息，达到提高检测精度的目的。本研究所用到的数据集均为汽车图像，车辆检测数据集共有12 786张图片，将该数据集按照8∶1∶1的比例进行划分。其中，训练集为10 228张，测试集和验证集均为1 279张，采用对比试验法进行研究。【结果】试验结果表明，与原有的YOLOv5s相比，改进后的网络模型在车辆检测数据集上的平均准确率均值提升3%，查准率和召回率分别提升1.9%和3.2%，模型大小下降42%。【结论】改进后的网络模型有效降低了模型的复杂度，提高了检测精度，并节约成本。