【技术实现步骤摘要】
本专利技术属于目标检测，涉及一种轻量化检测方法，具体为一种基于改进yolov8n模型的轻量化车辆检测方法。
技术介绍
1、车辆检测是交通监测、驾驶员辅助系统和自动驾驶等领域的重要研究课题，也是计算机视觉领域的研究热点之一。中国自动驾驶实现了跨越式发展，步入了高质量发展的新阶段，车辆检测的重要性不言而喻。然而，对于车载边缘计算平台，一个巨大的模型难以实现实时检测的要求，它面临着高计算负荷和不良检测率等挑战。因此，轻量化车辆检测在智能生产过程中是一个十分重要的环节，各大企业也将其视为提高产品质量的关键技术，相关学者也在进行轻量化车辆检测方法的研究。因此，在上述情况下对车辆进行快速精准且轻量的检测具有重要的研究意义。
2、目前，常用的车辆检测方法可分为两种类型：传统的方法和基于深度学习的方法。基于这两种方法，研究人员近年来在车辆检测方面取得了一系列的研究成果。在深度学习大规模应用之前，视频检测主要是依靠人工特征构建检测模型的传统方法。随着深度学习的快速发展，逐渐具有强大的提取学习图像特征的能力，具有泛化能力强和鲁棒性高的优点。基于计算机视觉结合深度学习的车辆检测逐渐成为该领域的主流方法。这种方法不需要手动提取特征，可以分为两类。第一类是两阶段目标检测方法及其代表性网络，如r-cnn、fast r-cnn、faster r-cnn、mask r-cnn这些检测方法使用选择性搜索算法或区域建议网络(rpn)来提取区域建议，进而检测目标。虽然与传统的目标检测方法相比，检测精度有所提高，但这些方法复杂、耗时，不适合实时应用。另一类
3、虽然以上大多数方法在某些情况下提高了检测精度，但它们都遭受了高计算零、大参数量和计算速度慢的问题。一些轻量级模型可以有效地降低模型参数，但不能在精度和速度之间取得平衡。
技术实现思路
1、为了克服现有技术中存在的不足，本专利技术提供一种基于改进yolov8n模型的轻量化车辆检测方法，在提高精度的同时，大幅减少参数量和flops，提高速度，满足工业环境和边缘计算平台对车辆检测轻量和快速实时性检测的要求。
2、本专利技术为解决其技术问题所采用的技术方案是：
3、一种基于改进yolov8n模型的轻量化车辆检测方法，其步骤包括：
4、构建车辆数据集；
5、搭建轻量化车辆检测网络模型：采用yolov8n作为原始模型，在原始yolov8n模型中，引入gsconv模块和vovgscsp模块，添加ema注意力机制，新增多尺度卷积msc模块，设置高速检测器dfast模块，构成改进yolov8n模型，以该改进yolov8n模型作为轻量化车辆检测网络模型；
6、对来源于车辆数据集的图像预处理；
7、预处理后的车辆数据集输入改进yolov8n模型，进行模型训练；
8、使用训练后的改进yolov8n模型对实际的车辆图像进行检测。
9、基于上述方案，采用yolov8n作为原始模型，引入了gsconv模块和vovgscsp模块，实现模型压缩，保持检测精度和速度；添加ema注意力机制、多尺度卷积msc模块，在车辆检测任务中选择关键信息，抑制非关键信息，提高算法检测精度；设置高速检测器dfast模块，提高训练过程中目标检测盒回归速度慢的问题；融合后得到的改进yolov8n模型，实现了更高的检测性能；通过对图像数预处理，可以提高模型的鲁棒性和泛化能力，使模型可以更好地处理各种实际场景下的车辆图像。
10、进一步的，所述改进yolov8n模型，具体改进方法为：
11、配置环境，将构建好的车辆数据集输入原始yolov8n模型；
12、配置超参数：设定学习率、批样本数量、迭代次数、图像通道数、图片裁剪尺寸和学习率动量最优的超参数组合；
13、对原始yolov8n模型做出如下改进：a.将多尺度卷积msc模块嵌入在原始yolov8n模型骨干网络中的c2f模块中，引入了不同核大小的多个卷积；b.在原始yolov8n模型骨干网络中，输出特征检测层时加入ema注意力机制；c.使用gsconv模块和vovgscsp模块分别替换原始yolov8n模型颈部的下采样模块和c2f模块；d.设置高速检测器dfast模块，该dfast模块在partial卷积pconv中附加逐点卷积pwconv，进行目标检测。
14、基于上述方案，将多尺度卷积msc模块嵌入原始yolov8n模型的骨干网络中，引入了不同核大小的多个卷积，有助于模型更好地捕获不同尺度的特征，从而提高了对不同大小车辆的检测能力；在原始yolov8n模型的骨干网络中加入ema注意力机制，有助于增强对关键特征的关注，从而提高了检测的准确性，使模型能够更好地聚焦于车辆的关键部分，提高了检测的精确性；gsconv模块和vovgscsp模块替换原始yolov8n模型颈部的下采样模块和c2f模块，可以提高特征提取的效率和性能，有助于更好地区分车辆与背景，从而提高了检测的精确性；设置高速检测器dfast模块，通过逐点卷积pwconv的应用，可以加速目标检测过程，降低计算复杂度，从而在实时应用中具有更好的性能。这些改进方法通过增加模型的感知能力、优化特征提取、加强注意力机制和提高检测速度，共同提高了改进yolov8n模型在车辆检测任务中的性能，包括更高的准确性、更好的鲁棒性和更高的实时性。
15、进一步的，所述多尺度卷积msc模块将输入通道划分为3个磁头，并对每个磁头应用不同的深度可分离卷积，对第一个磁头不做任何操作，随后使用3×3和5×5初始化内核大小，最后通过1×1交互信息。
16、基于上述方案，将输入通道划分为3个磁头，并对每个磁头应用不同的深度可分离卷积，使得每个磁头可以专门关注不同尺度的信息，这样，模型的感知野得到了增强，能够更好地理解不同尺度下的物体特征，特别是对于不同大小的车辆，提高了检测的全局性能；对第一个磁头不做任何操作，然后使用3×3和5×5初始化内核大小，引入了不同大小的卷积核，有助于模型学习不同尺度下的特征，这种多核初始化有助于提高模型的灵活性，使其能够更好地适应不同尺度的目标。深度可分离卷积的应用可以帮助模型更好地学习特征表示，降低参数量的同时保持有效的特征提取能力，这样的设计可以使模型更加高效地捕获车辆图像中的关键特征，提本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv8n模型的轻量化车辆检测方法，其特征步骤包括：
2.根据权利要求1所述的基于改进YOLOv8n模型的轻量化车辆检测方法，其特征在于，所述改进YOLOv8n模型，具体改进方法为：
3.根据权利要求2所述的基于改进YOLOv8n模型的轻量化车辆检测方法，其特征在于，所述多尺度卷积MSC模块将输入通道划分为3个磁头，并对每个磁头应用不同的深度可分离卷积，对第一个磁头不做任何操作，随后使用3×3和5×5初始化内核大小，最后通过1×1交互信息。
4.根据权利要求2所述的基于改进YOLOv8n模型的轻量化车辆检测方法，其特征在于，所述EMA注意力机制保留了每个信道上的信息，减少计算开销，将部分信道重塑为批处理维度，并将信道维度划分为多个子特征，使空间语义特征在每个特征组内分布良好。
5.根据权利要求2所述的基于改进YOLOv8n模型的轻量化车辆检测方法，其特征在于，所述GSConv模块为一种混合标准卷积SC、深度可分离卷积DWConv和shuffle的卷积模块，使用shuffle将标准卷积SC生成的信息渗透到DWCon
6.根据权利要求2所述的基于改进YOLOv8n模型的轻量化车辆检测方法，其特征在于，所述高速检测器DFast模块，在输入的时候，仅进行一支路线，对特征使用PConv加上PWConv进行提取，随后进行分离，使用1×1卷积分别进行通道数的调整，随后分别进行边界框损失和类别损失的计算。
7.根据权利要求1或2所述的基于改进YOLOv8n模型的轻量化车辆检测方法，其特征在于，所述模型训练，具体步骤包括：利用K-mean聚类方法自动生成先验框，通过边框回归预测得到边界尺寸，利用分类器对边界框进行分类，得到每个边界框对应的缺陷种类概率，再通过非极大值抑制的方法对每个边界框的分类概率进行排序，得到置信度最大的边界框预测值，置信度阈值设置为0.25，IOU阈值设置为0.7，然后通过损失函数计算预测值和真实值之间的损失值，根据损失值进行反向传播，直至达到预设的迭代次数，网络模型训练完成。
8.根据权利要求1所述的基于改进YOLOv8n模型的轻量化车辆检测方法，其特征在于，所述构建车辆数据集，是通过对MS COCO数据集中具有不同模型、角度、颜色的车辆图像以及具有不同类型车辆的图像进行提取整合的方式建立车辆数据集。
9.根据权利要求1所述的基于改进YOLOv8n模型的轻量化车辆检测方法，其特征在于，所述图像预处理，具体为：采用等比例缩放宽或高至640时，剩余部分使用背景灰度填充。
...【技术特征摘要】
1.一种基于改进yolov8n模型的轻量化车辆检测方法，其特征步骤包括：
2.根据权利要求1所述的基于改进yolov8n模型的轻量化车辆检测方法，其特征在于，所述改进yolov8n模型，具体改进方法为：
3.根据权利要求2所述的基于改进yolov8n模型的轻量化车辆检测方法，其特征在于，所述多尺度卷积msc模块将输入通道划分为3个磁头，并对每个磁头应用不同的深度可分离卷积，对第一个磁头不做任何操作，随后使用3×3和5×5初始化内核大小，最后通过1×1交互信息。
4.根据权利要求2所述的基于改进yolov8n模型的轻量化车辆检测方法，其特征在于，所述ema注意力机制保留了每个信道上的信息，减少计算开销，将部分信道重塑为批处理维度，并将信道维度划分为多个子特征，使空间语义特征在每个特征组内分布良好。
5.根据权利要求2所述的基于改进yolov8n模型的轻量化车辆检测方法，其特征在于，所述gsconv模块为一种混合标准卷积sc、深度可分离卷积dwconv和shuffle的卷积模块，使用shuffle将标准卷积sc生成的信息渗透到dwconv生成的信息的每个部分中。
6.根据权利要求2所述的基于改进yolov8n模型的轻量化车辆检测方法，其特征在于，所述高...
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。