一种目标检测方法、终端设备及存储介质技术

本申请适用于卷积神经网络技术领域，提供了一种目标检测方法、终端设备及计算机可读存储介质，所述方法包括：获取第一图像；通过训练后的卷积神经网络模型对第一图像进行目标检测，获得检测结果，其中，卷积神经网络模型为改进的Yolov5模型，改进的Yolov5模型包括多个基本卷积模块，多个基本卷积模块中的至少一个基本卷积模块为第一类型的基本卷积模块，第一类型的基本卷积模块包括：第一卷积层、与第一卷积层连接的分组卷积模块和通道注意力机制模块、分别与分组卷积模块和通道注意力机制模块连接的concat模块；通过本申请可以提供一种轻量化、且精度较高的Yolov5模型用于进行图像的目标检测。目标检测。目标检测。

【技术实现步骤摘要】
一种目标检测方法、终端设备及存储介质


[0001]本申请属于卷积神经网络
，尤其涉及一种目标检测方法、终端设备及计算机可读存储介质。

技术介绍

[0002]随着人工智能发展，对于图像中目标检测模型的要求越来越高。例如，高精度、实时性、小模型和低功耗等。为了提高模型的精度，通常需要构建较为复杂的目标检测模型；为了降低模型的功耗，提高目标检测速度等，通常又需要构建较为小型化的模型。
[0003]Yolov5卷积神经网络模型作为一种检测速度较快的目标检测模型广泛应用于对图像的目标检测，Yolov5卷积神经网络模型可以通过控制Model
‑
depth(深度)和layer
‑
channel(宽度)生成不同深度和宽度的模型。然而，随着深度和宽度的增加，虽然能够提高检测精度，但是也导致模型过于庞大，训练和检测速度较低的问题。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种目标检测方法、终端设备及计算机可读存储介质，以解决Yolov5模型不能同时兼顾精度和速度的问题。
[0005]本申请实施例的第一方面提供了一种目标检测方法，包括：
[0006]获取第一图像；
[0007]通过训练后的卷积神经网络模型对所述第一图像进行目标检测，获得检测结果，其中，所述卷积神经网络模型为改进的Yolov5模型，所述改进的Yolov5模型包括多个基本卷积模块，所述多个基本卷积模块中的至少一个基本卷积模块为第一类型的基本卷积模块，所述第一类型的基本卷积模块包括：第一卷积层、与所述第一卷积层连接的分组卷积模块和通道注意力机制模块、分别与所述分组卷积模块和所述通道注意力机制模块连接的concat模块。
[0008]本申请实施例的第二方面提供了一种检测装置，包括：
[0009]图像获取单元，用于获取第一图像；
[0010]图像检测单元，用于通过训练后的卷积神经网络模型对所述第一图像进行目标检测，获得检测结果，其中，所述卷积神经网络模型为改进的Yolov5模型，所述改进的Yolov5模型包括多个基本卷积模块，所述多个基本卷积模块中的至少一个基本卷积模块为第一类型的基本卷积模块，所述第一类型的基本卷积模块包括：第一卷积层、与所述第一卷积层连接的分组卷积模块和通道注意力机制模块、分别与所述分组卷积模块和所述通道注意力机制模块连接的concat模块。
[0011]本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。
[0012]本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储
介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
[0013]本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
[0014]本申请实施例提供了一种目标检测方法，该目标检测方法基于卷积神经网络模型实现，该卷积神经网络模型为改进的Yolov5模型。改进的Yolov5模型中的基本卷积模块中至少一个基本卷积模块包括：第一卷积层、与所述第一卷积层连接的分组卷积模块和通道注意力机制模块、分别与所述分组卷积模块和所述通道注意力机制模块连接的concat模块。通过分组卷积模块实现轻量化的基本卷积模块设计，另外，为了提高轻量化的基本卷积模块的精度，可以增加通道注意力机制与分组卷积模块并联，然后，通过concat模块将通道注意力机制与分组卷积模块的输出结果组合。通过分组卷积模块实现轻量化的设计，通过通道注意力机制模块提高精度，从而提供一种轻量化和精度兼顾的改进Yolov5模型。基于该模型进行目标检测时，既能保证检测的精度又能降低检测的速度。
[0015]可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
[0016]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本申请实施例提供的一种目标检测方法的实现流程示意图；
[0018]图2是本申请实施例提供的一种基本卷积模块的结构示意图；
[0019]图3是本申请实施例提供的一种通道注意力机制的结构示意图；
[0020]图4是图2所示实施例提供的基本卷积模块的输入张量和输出张量的变化示意图；
[0021]图5是本申请实施例提供的Yolov5模型的基本模块的结构示意图；
[0022]图6是本申请实施例提供的Yolov5模型中的Focus模块和SPP模块的结构示意图；
[0023]图7是本申请实施例提供的改进后的Yolov5模型的结构示意图；
[0024]图8是本申请实施例提供的一张待检测图像；
[0025]图9是经过本申请实施例提供的目标检测方法对图8提供的待检测图像进行识别后得到的检测结果；
[0026]图10是本申请实施例提供的另一张待检测图像；
[0027]图11是经过本申请实施例提供的目标检测方法对图10提供的待检测图像进行识别后得到的检测结果；
[0028]图12是本申请实施例提供的终端设备的示意框图。
具体实施方式
[0029]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具
体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0030]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0031]还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0032]还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0033]如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：获取第一图像；通过训练后的卷积神经网络模型对所述第一图像进行目标检测，获得检测结果，其中，所述卷积神经网络模型为改进的Yolov5模型，所述改进的Yolov5模型包括多个基本卷积模块，所述多个基本卷积模块中的至少一个基本卷积模块为第一类型的基本卷积模块，所述第一类型的基本卷积模块包括：第一卷积层、与所述第一卷积层连接的分组卷积模块和通道注意力机制模块、分别与所述分组卷积模块和所述通道注意力机制模块连接的concat模块。2.如权利要求1所述的方法，其特征在于，所述第一卷积层的输出和所述分组卷积模块的输入之间设有特征图相似度计算模块；通过训练后的卷积神经网络模型对所述第一图像进行目标检测的过程中，通过所述第一类型的基本卷积模块对输入所述第一类型的基本卷积模块的第一特征图组进行处理；其中，通过所述第一类型的基本卷积模块对输入所述第一类型的基本卷积模块的第一特征图组进行处理包括：通过所述第一卷积层对张量为[b，c，w，h]的所述第一特征图组进行卷积处理，得到张量为[b，c，w，h]的第二特征图组；通过所述特征图相似度计算模块对张量为[b，c，w，h]的第二特征图组进行特征相似度处理，得到张量为[b，c/2，w，h]的第三特征图组；通过所述通道注意力机制模块对张量为[b，c/2，w，h]的第三特征图组进行特征优化处理，得到张量为[b，c/2，w，h]的第四特征图组；通过所述分组卷积模块对所述张量为[b，c/2，w，h]的第三特征图组进行分组处理，得到张量为[b，c/2，w，h]的第五特征图组；通过所述concat模块对所述张量为[b，c/2，w，h]的第四特征图组和张量为[b，c/2，w，h]的第五特征图组进行组合张量为[b，c，w，h]的第六特征图组。3.如权利要求1所述的方法，其特征在于，所述通道注意力机制模块包括：依次连接的全局池化层、至少两级全连接层和激活函数，其中，所述激活函数的输出权重乘以所述全局池化层的输入后作为所述通道注意力机制模块的输出。4.如权利要求1所述的方法，其特征在于，所述获取第一图像包括：获取摄像头采集的视频数据，其中，所述摄像头中设有所述改进的Yolov5模型；对所述视频...

【专利技术属性】
技术研发人员：马强，李杨，张丽，
申请(专利权)人：西安天和防务技术股份有限公司，
类型：发明
国别省市：