一种基于改进YOLOv3的轻量化目标检测方法技术

本发明专利技术涉及一种基于改进YOLOv3的轻量化目标检测方法，该方法包括S1采集包含待检测目标物的图像数据，依据VOC2012数据集格式制作得到训练集，S2对原始YOLOv3网络模型的backbone进行改进，S3对改进的YOLOv3网络模型进行训练，S4向训练好的最终改进的YOLOv3网络模型输入待检测图像，输出目标物用外接矩形框标记并显示。本发明专利技术对传统YOLOv3算法进行轻量化改进，在保证其精度和实时性的同时，将模型大小减小到3.17MB，操作简单，易于实现，具有较高的实用性。高的实用性。高的实用性。

A lightweight target detection method based on improved yolov3

【技术实现步骤摘要】
一种基于改进YOLOv3的轻量化目标检测方法


[0001]本专利技术涉及计算机视觉领域，尤其涉及一种基于改进YOLOv3的轻量化目标检测方法。

技术介绍

[0002]近年来，计算机科学技术发展迅猛，计算机处理能力和算法不断取得突破，自动驾驶、工业质检和智能安防等应用不断商业化，这些技术中都离不开目标检测，目标检测通过识别待测物体特征为用户提供各种服务和技术支持。大型商场使用自动测温系统通过目标检测算法识别出进入摄像头视野的行人，再调用红外温度传感器获取行人温度，这种应用节约了人力成本减少了人员接触；在自动驾驶中，车辆识别交通信号、进行路径规划、避让车辆和行人，也都需要目标检测技术提供支持。目标检测技术在这些应用场景发挥着无可替代的作用，越来越多的科研人员也都聚焦于该领域。
[0003]随着深度学习在目标识别和检测领域的不断发展，继AlexNet以来，VGG、 GoogleNet、ResNet等网络向网络层数更深地方向发展，以寻求更好的检测精度。然而，在目前许多应用，如自动驾驶、疲劳检测、机器人等受限于集成设备与处理速度，模型压缩研究应运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv3的轻量化目标检测方法，其特征在于：包括如下步骤：S1：采集包含待检测目标物的图像数据，使用labelImage工具对所有图像进行标注，即在每个图像上采用矩形框标注待检测目标物，将所有标注后的图像依据VOC2012数据集格式制作得到训练集；S2：构建改进的YOLOv3网络模型，包括如下两个部分的改进：S21：对原始YOLOv3网络模型中的backbone进行改进得到初步改进的YOLOv3网络模型，具体如下：对原始YOLOv3网络模型中的backbone进行剪枝处理，将原本的1
‑2‑8‑8‑
4残差结构调整为1
‑2‑3‑3‑
2稀疏残差结构，并设置各个稀疏残差结构的长度因子；同时限制每个卷积层的卷积核个数不超过64个；构建一条包含5个卷积层的卷积支路，将第一个卷积层的输出作为卷积支路的输入，并将卷积支路各层的输出按顺序分别与backbone的5个下采样层的输出进行拼接；构建一条包含3个池化层的池化支路，将第1个残差结构的输出经过第1池化层处理与第1个稀疏残差结构的输出进行拼接，作为第3个下采样层和第2池化层的输入；将第2池化层的输出与第2个稀疏残差结构的输出进行拼接，作为第4个下采样层和第3池化层的输入；将第3池化层的输出与第3个稀疏残差结构的输出进行拼接，作为第5个下采样层的输入；S22：对S21得到的初步改进的YOLOv3网络模型进行损失函数和后处理模块的改进得到最终改进的YOLOv3网络模型；S3：对S22得到的最终改进的YOLOv3网络模型进行训练：S...

【专利技术属性】
技术研发人员：宋永端，沈志熙，徐赞林，李韵聪，
申请(专利权)人：重庆大学，
类型：发明
国别省市：