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】
本申请涉及机器视觉和深度学习,具体为一种基于yolov5网络模型的图像优化方法及优化系统。
技术介绍
1、随着机器学习、机器视觉技术的迅速发展,人脸表情识别是当今的研究热点,通过对人脸表情进行识别,能够识别出人的多种特征。
2、目前较为成熟的表情识别方法有多种,例如局部二值模式(lbp)、方向梯度直方图(hog)、gabor小波变换等,先利用手工提取人脸特征,获取样本的渐层特征,实现对人脸表情的检测。
3、然而,在现有技术中,虽然通过各种方法均能实现对人脸表情的获取及识别,但是当被检测者处于复杂环境下时,传统的方法会产生检测准确率的问题,导致检测效果不好,并且大多数方法对于人脸识别都需要投入较多的算力资源,当硬件设备算力有限时,通常无法正常进行。
4、所以有必要提供一种基于yolov5网络模型的图像优化方法及优化系统来解决上述问题。
5、需要说明的是,本
技术介绍
部分中公开的以上信息仅用于理解本申请构思的
技术介绍
,并且因此,它可以包含不构成现有技术的信息。
技术实现思路
1、基于现有技术中存在的上述问题,本申请所要解决的问题是:提供一种基于yolov5网络模型的图像优化方法及优化系统,达到能够对模型进行轻量化改进,提高运行效率的效果。
2、本申请解决其技术问题所采用的技术方案是:一种基于yolov5网络模型的图像优化方法,该方法包括:
3、接收来自采集设备所采集的第一图像集,该第一图像集包括至少三种类型的驾驶员表
4、对第一图像集进行预处理,并将预处理后的图像制作为标准数据集,该标准数据集包括训练集、验证集和测试集;
5、采用原始yolov5网络模型对标准数据集进行训练,并在训练过程中调整训练参数以提高训练效果;
6、分析网络结构,对原始yolov5网络模型的主干网络部分进行轻量化改进。
7、在本申请的技术方案实施过程中,通过对模型进行轻量化设置,在减轻运行压力的同时保证模型性能损失较小,从而保持较高的识别准确率,适用于多种性能的硬件设备中。
8、进一步的,对原始yolov5网络模型的主干网络部分进行轻量化改进包括:
9、采用fasternet网络中的fasternet block替换c3模块中的影响整体模型计算量与参数量的bottleneck模块,形成c3-faster模块。
10、进一步的,所述fasternet block由一个部分卷积层(pconv)和两个1×1卷积层组成,其中部分卷积层(pconv)仅对部分输入通道进行常规卷积。
11、进一步的,该方法还包括:
12、引进gsconv模块,并对gsconv模块进行改进,生成gsconvns模块,将yolov5网络模型中部分卷积模块替换为gsconvns模块;
13、基于gsconvns模块构造vov-gscsp模块替换yolov5网络模型颈部网络中的c3模块;
14、对轻量化设计后的yolov5模型进行模型通道剪枝;
15、对剪枝后的模型进行微调操作,弥补剪枝操作对模型造成的性能损失。
16、进一步的,所述gsconvns模块的构成方法为:
17、将gsconv模块两次卷积的输出结果进行拼接后,使用一个卷积模块和激活函数替换gsconv模块中的混洗操作,构成gsconvns模块,同时添加卷积层和激活函数。
18、进一步的,对轻量化设计后的yolov5模型进行模型通道剪枝进一步包括:
19、首先对整体模型进行稀疏训练,对不同的通道进行区分以便识别出冗余通道;
20、对网络模型中卷积模块中的bn层引入缩放因子,每个通道的输出与通道因子呈正相关,通过缩放因子的大小进行通道识别筛选;
21、使bn层部分通道的缩放因子趋于零,并对趋于零的通道进行剪枝操作。
22、进一步的,所述bn层的迭代过程包括如下公式:
23、
24、
25、
26、
27、其中μb和σb为对输入求得的均值和标准差,m为当前的mini-batch大小,ε是防止标准差为零,加入的正则化参数,进行归一化处理得到对输入进行重构得到zout,β为偏置项,γ为bn层引入的缩放因子,每个通道的输出与缩放因子正相关,因此可以通过缩放因子的大小进行通道识别筛选。
28、一种基于yolov5网络模型的图像优化系统,该系统包括:
29、图像接收模块,用于接收来自采集设备所采集的第一图像集,该第一图像集包括至少三种类型的驾驶员表情图片;
30、预处理模块,用于对第一图像集进行预处理,并将预处理后的图像制作为标准数据集,该标准数据集包括训练集、验证集和测试集;
31、训练模块,用于采用原始yolov5网络模型对标准数据集进行训练,并在训练过程中调整训练参数以提高训练效果;
32、网络结构分析模块,用于分析网络结构,对原始yolov5网络模型的主干网络部分进行轻量化改进。
33、进一步的,该系统还包括:
34、模型改进模块,用于引进gsconv模块,并对gsconv模块进行改进,生成gsconvns模块,将yolov5网络模型中部分卷积模块替换为gsconvns模块;
35、替换模块,用于基于gsconvns模块构造vov-gscsp模块替换yolov5网络模型颈部网络中的c3模块;
36、通道剪枝模块,用于对轻量化设计后的yolov5模型进行模型通道剪枝;
37、微调模块,用于对剪枝后的模型进行微调操作,弥补剪枝操作对模型造成的性能损失。
38、本申请的有益效果是:本申请提供的一种基于yolov5网络模型的图像优化方法及优化系统,通过对模型进行轻量化设置,在减轻运行压力的同时保证模型性能损失较小,从而保持较高的识别准确率,适用于多种性能的硬件设备中,并且对整体模型进行了模型通道剪枝操作,模型计算量、参数量大幅下降的同时平均精度较小,实现低损剪枝。
39、除了上面所描述的目的、特征和优点之外,本申请还有其它的目的、特征和优点。下面将参照图,对本申请作进一步详细的说明。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv5网络模型的图像优化方法,其特征在于:该方法包括:
2.根据权利要求1所述的一种基于YOLOv5网络模型的图像优化方法,其特征在于:对原始YOLOv5网络模型的主干网络部分进行轻量化改进包括:
3.根据权利要求2所述的一种基于YOLOv5网络模型的图像优化方法,其特征在于:所述FasterNet Block由一个部分卷积层(PConv)和两个1×1卷积层组成,其中部分卷积层(PConv)仅对部分输入通道进行常规卷积。
4.根据权利要求1所述的一种基于YOLOv5网络模型的图像优化方法,其特征在于:该方法还包括:
5.根据权利要求4所述的一种基于YOLOv5网络模型的图像优化方法,其特征在于:所述GSConvns模块的构成方法为:
6.根据权利要求4所述的一种基于YOLOv5网络模型的图像优化方法,其特征在于:对轻量化设计后的YOLOv5模型进行模型通道剪枝进一步包括:
7.根据权利要求6所述的一种基于YOLOv5网络模型的图像优化方法,其特征在于:所述BN层的迭代过程包括如下公式:
>8.一种基于YOLOv5网络模型的图像优化系统,其特征在于:该系统包括:
9.根据权利要求8所述的一种基于YOLOv5网络模型的图像优化系统,其特征在于:该系统还包括:
10.一种基于YOLOv5网络模型的图像优化系统,其特征在于:用于实施如权利要求1至7任一项所述的基于YOLOv5网络模型的图像优化方法。
...【技术特征摘要】
1.一种基于yolov5网络模型的图像优化方法,其特征在于:该方法包括:
2.根据权利要求1所述的一种基于yolov5网络模型的图像优化方法,其特征在于:对原始yolov5网络模型的主干网络部分进行轻量化改进包括:
3.根据权利要求2所述的一种基于yolov5网络模型的图像优化方法,其特征在于:所述fasternet block由一个部分卷积层(pconv)和两个1×1卷积层组成,其中部分卷积层(pconv)仅对部分输入通道进行常规卷积。
4.根据权利要求1所述的一种基于yolov5网络模型的图像优化方法,其特征在于:该方法还包括:
5.根据权利要求4所述的一种基于yolov5网络模型的图像优化方法,其特征在于:...
【专利技术属性】
技术研发人员:姚克明,王中洲,郭复澳,陈磊,王小兰,
申请(专利权)人:江苏理工学院,
类型:发明
国别省市:
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。