一种改进yolov5网络的小目标检测的方法及系统技术方案

一种改进yolov5网络的小目标检测的方法及系统，所述方法包括：步骤1，在yolov5网络原始的anchors的基础上增加小目标检测的anchor，并增加小目标检测的网络层；步骤2，在yolov5网络的主体特征提取网络的最后加入SE网络单元，形成改进后的yolov5网络模型；步骤3，将训练集样本缩放至预设大小，送入步骤2所搭建的yolov5网络模型中进行训练，并且每隔预设条件迭代并保存一次模型，最终保存最优模型和最后一次的模型；步骤4，用步骤3得到的最优模型进行目标检测，获得检测结果。本发明专利技术通过增加yolov5小目标检测anchor和网络层，并引入SE网络单元，在保证了检测速度的同时，提高了小目标检测的精确度。小目标检测的精确度。小目标检测的精确度。

【技术实现步骤摘要】
一种改进yolov5网络的小目标检测的方法及系统


[0001]本专利技术涉及视频图像处理
，具体涉及一种改进yolov5网络的小目标检测的方法及系统。

技术介绍

[0002]目标检测在人工智能和信息技术的许多领域都有广泛的应用，包括机器人视觉、消费电子产品、安保、自动驾驶、基于内容的图像检索和智能视频监控。
[0003]现有技术中，对于常规的目标，采用现有的经典检测方法能够获得较好的检测结果，但是对于小目标的检测效果都不是很理想。在Pascal VOC和COCO等数据集上的检测结果可以看出对大目标检测效果很好，但是对小目标比如小鸟的检测效果不尽人意。

技术实现思路

[0004]鉴于现有技术中存在的技术缺陷和技术弊端，本专利技术实施例提供克服上述问题或者至少部分地解决上述问题的一种改进yolov5网络的小目标检测的方法及系统，具体方案如下：
[0005]作为本专利技术的一方面，提供一种改进yolov5网络的小目标检测的方法，所述方法包括：
[0006]步骤1，在yolov5网络原始的anchors的基础上增加小目标检测的anchor，并增加小目标检测的网络层；
[0007]步骤2，在yolov5网络的主体特征提取网络的最后加入SE网络单元，形成改进后的yolov5网络模型；
[0008]步骤3，将训练集样本缩放至预设大小，送入步骤2所搭建的yolov5网络模型中进行训练，并且每隔预设条件迭代并保存一次模型，最终保存最优模型和最后一次的模型；
[0009]步骤4，用步骤3到的最优模型进行目标检测，获得检测结果。
[0010]进一步地，步骤1中，在yolov5网络原始的yaml文件中anchors模块加入一个小目标检测anchor，在YOLOv5网络原始的head模块中加入相应的小目标检测的网络层。
[0011]进一步地，小目标检测anchor的锚框为(6,8)、(9,14)和(15,11)，加入一个小目标检测anchor后，得到anchors模块包括12个锚框，分别为(6,8)、(9,14)、(15,11)；(10,13),(16,30),(33,23)；(30,61),(62,45),(59,119)；(116,90),(156,198)和(373,326)。
[0012]进一步地，步骤1还包括，在yolov5网络原始的head模块基础上，持续对特征图进行上采样处理，使得特征图持续扩大，然后增加小目标检测的网络层，其中，所述网络层包括：卷积核为1*1,步长为1的Conv层；步长为2的Unsample层；以及Concat和BottleneckCSP层。
[0013]进一步地，步骤2中，在yolov5网络的yaml文件中YOLOv5 backbone模块中加入SE网络单元。
[0014]进一步地，步骤3中，所述的预设大小为640*640。
[0015]作为本专利技术的第二方面，提供一种改进yolov5网络的小目标检测的系统，所述系统包括：anchors改进模块、主体特征提取网络改进模块、训练模块和检测模块；
[0016]所述anchors改进模块用于在yolov5网络原始的anchors的基础上增加小目标检测的anchor，并增加小目标检测的网络层；
[0017]所述主体特征提取网络改进模块用于在yolov5网络的主体特征提取网络的最后加入SE网络单元，形成改进后的yolov5网络模型；
[0018]所述训练模块用于将训练集样本缩放至预设大小，送入改进后的yolov5网络模型中进行训练，并且每隔预设条件迭代并保存一次模型，最终保存最优模型和最后一次的模型；
[0019]所述检测模块用于通过最优模型进行目标检测，获得检测结果。
[0020]进一步地，所述anchors改进模块具体用于：在yolov5网络原始的yaml文件中anchors模块加入一个小目标检测anchor，在YOLOv5网络原始的head模块中加入相应的小目标检测的网络层。
[0021]进一步地，所述主体特征提取网络改进模块具体用于：在yolov5网络的yaml文件中YOLOv5 backbone模块中加入SE网络单元。
[0022]本专利技术具有以下有益效果：
[0023]1)通过增加小目标检测anchor和网络层，有效增强了小目标物体的检测效果。
[0024]2)通过构造SE网络单元改进yolov5特征图提取结构，提升有用特征值并抑制当前任务贡献不大的特征值，同时使低层网络拥有全局的感受野，从而让其也能利用全局信息。
[0025]3)在保证检测速率的前提下，提高了目标检测中准确捕获小目标的检测精确度。
附图说明
[0026]图1为本专利技术实施例提供的一种改进yolov5网络的小目标检测的方法流程图；
[0027]图2为本专利技术实施例提供的改进后的YOLOv5 head网络层图；
[0028]图3为本专利技术实施例提供的改进后的YOLOv5 backbone结构图；
[0029]图4为本专利技术实施例提供的SE网络单元工作流程图；
[0030]图5为本专利技术实施例提供的SE网络结构图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0032]如图1所示，作为本专利技术的第一实施例，提供一种改进yolov5网络的小目标检测的方法，所述方法包括：
[0033]步骤1，在yolov5网络原始的anchors的基础上增加小目标检测的anchor，并增加小目标检测的网络层；
[0034]步骤2，在yolov5网络的主体特征提取网络的最后加入SE网络单元，形成改进后的yolov5网络模型；
[0035]步骤3，将训练集样本缩放至预设大小，送入步骤2所搭建的yolov5网络模型中进行训练，并且每隔预设条件迭代并保存一次模型，最终保存最优模型和最后一次的模型；
[0036]在一些实施例中，步骤1还包括，获取带有标注的COCO2017数据集，将所述数据集分为训练集，测试集和验证集，对数据集进行分析，利用Mosaic，Cutout，矩形训练以及改变亮度，对比度，饱和度等方式增强图像；
[0037]在一些实施例中，在yolov5网络原始的anchors的基础上增加小目标检测的anchor，并增加小目标检测的网络层，具体包括：
[0038]步骤1.1，在anchors中增加anchors box分别为(6,8),(9,14),(15,11)，得到anchors模块包括12个锚框，分别为(6,8)、(9,14)、(15,11)；(10,13),(16,30),(33,23)；(30,61),(62,45),本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进yolov5网络的小目标检测的方法，其特征在于，所述方法包括：步骤1，在yolov5网络原始的anchors的基础上增加小目标检测的anchor，并增加小目标检测的网络层；步骤2，在yolov5网络的主体特征提取网络的最后加入SE网络单元，形成改进后的yolov5网络模型；步骤3，将训练集样本缩放至预设大小，送入步骤2所搭建的yolov5网络模型中进行训练，并且每隔预设条件迭代并保存一次模型，最终保存最优模型和最后一次的模型；步骤4，用步骤3得到的最优模型进行目标检测，获得检测结果。2.根据权利要求1所述的改进yolov5网络的小目标检测的方法，其特征在于，步骤1中，在yolov5网络原始的yaml文件中anchors模块加入一个小目标检测anchor，在YOLOv5网络原始的head模块中加入相应的小目标检测的网络层。3.根据权利要求2所述的改进yolov5网络的小目标检测的方法，其特征在于，小目标检测anchor的锚框为(6,8)、(9,14)和(15,11)，加入一个小目标检测anchor后，得到anchors模块包括12个锚框，分别为(6,8)、(9,14)、(15,11)；(10,13),(16,30),(33,23)；(30,61),(62,45),(59,119)；(116,90),(156,198)和(373,326)。4.根据权利要求2所述的改进yolov5网络的小目标检测的方法，其特征在于，步骤1还包括，在yolov5网络原始的head模块基础上，持续对特征图进行上采样处理，使得特征图持续扩大，然后增加小目标检测的网络层，其中，所述网络层包括：卷积核为1*1,步长为1的Conv层；步长为2的Uns...

【专利技术属性】
技术研发人员：熊静雯，
申请(专利权)人：武汉众智数字技术有限公司，
类型：发明
国别省市：