System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于深度学习中的目标检测领域,具体一种基于yolov5的遗留物小目标精准识别方法。
技术介绍
1、yolov5是目标检测领域中使用最广泛的模型之一,通过对不同的数据集的训练,使模型产生了一个权重,这可以使模型检测出与数据集类似的物品。yolov5是单阶段目标检测,检测速度较快,精度在同类模型中也比较高。
2、但是,当被检测的目标过小时,训练时所能提取到的特征较少,导致在检测时会漏检一些目标,准确率就不会特别高。在遗留物的检测和识别中,人们通常遗留的是小物品,这些物品可能由于过下导致传统模型不能检测出来,一般可以从两方面解决这个问题:1.在训练时尽量使用大目标训练。2.修改模型结构,使其在训练时提取更多的特征。本专利采取第二种方法,通过修改网络结构,添加注意力机制与更换损失函数,使模型能提取到更多的小目标特征。
技术实现思路
1、针对上述问题,本专利技术提出了一种基于yolov5的小目标精准识别方法,通过修改网络结构,添加注意力机制与更换损失函数,使模型能提取到更多的小目标特征。
2、本专利技术提供了一种基于yolov5的遗留物小目标精准识别方法,具体步骤如下:
3、步骤1:获取含有遗留物的小目标数据集,并划分为训练集和测试集。
4、步骤2:基于残差网络的思想,将yolov5模型中骨干网络的特征信息输入neck网络的特征融合层,有助于增强梯度的反向传播的同时,避免梯度衰减,减少小目标特征信息的损失,提取更多的特征。
6、步骤4:针对yolov5的回归损失问题,引入eiou损失函数替换原来损失函数,构造损失函数,减少回归损失,通过测试集,对加入残差和注意力模块的yolov5模型进行训练。
7、步骤5:将测试集输入步骤4训练好的yolov5模型,得到遗留物小目标的识别结果。
8、本专利技术还提供了一种基于yolov5的遗留物小目标精准识别装置,包括:存储器;以及与所述存储器连接的处理器,所述处理器被配置成用于上述方法。
9、本专利技术又提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被机器执行时实现上述的方法。
10、本专利技术有益效果:通过改进yolov5模型的框架,修改网络结构,融合注意力机制,更换损失函数,针对传统的yolov5模型解决不了图片或视频中目标过小而检测不到的问题,使模型对遗留物中小目标的检测更加精准,速度也更快,使模型适用于各种小模型的目标检测。
本文档来自技高网...【技术保护点】
1.一种基于yolov5的遗留物小目标精准识别方法,其特征在于,包括一下步骤:
2.根据权利要求1所述的基于yolov5的遗留物小目标精准识别方法,其特征在于,步骤3具体为:引入通道注意力机制ECA,将ECA注意模块添加到特征融合层中,放在neck层与output层之间。
3.根据权利要求2所述的基于yolov5的遗留物小目标精准识别方法,其特征在于,步骤4所述构造损失函数具体为:引入EIOU损失函数,将其作为yolov5模型损失函数中的定位损失函数。
4.根据权利要求2所述的基于yolov5的遗留物小目标精准识别方法,其特征在于,步骤4所述损失函数具体如下:
5.根据权利要求4所述的基于yolov5的遗留物小目标精准识别方法,其特征在于,所述EIOU损失包括预测框和真实框的中心距离损失Ldis、预测框和真实框的重叠损失LIoU、预测框和真实框的宽和高损失Lasp。
6.基于yolov5的遗留物小目标精准识别装置,其特征在于,包括:存储器;以及与所述存储器连接的处理器,所述处理器被配置成用于执行权利要求1至5中任一项所述
7.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被机器执行时实现如权利要求1至5中任一项所述的方法。
...【技术特征摘要】
1.一种基于yolov5的遗留物小目标精准识别方法,其特征在于,包括一下步骤:
2.根据权利要求1所述的基于yolov5的遗留物小目标精准识别方法,其特征在于,步骤3具体为:引入通道注意力机制eca,将eca注意模块添加到特征融合层中,放在neck层与output层之间。
3.根据权利要求2所述的基于yolov5的遗留物小目标精准识别方法,其特征在于,步骤4所述构造损失函数具体为:引入eiou损失函数,将其作为yolov5模型损失函数中的定位损失函数。
4.根据权利要求2所述的基于yolov5的遗留物小目标精准识别方法,其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。