【技术实现步骤摘要】
本专利技术涉及目标检测领域，特别是涉及基于改进yolov8n的轻量化车辆行人检测方法。
技术介绍
1、基于深度学习的目标检测算法主要分为两种：二阶段目标检测算法和单阶段目标检测算法。二阶段目标检测算法通过选择性搜索等方法得到候选区域，再对候选区域进行特征提取得到特征矩阵，最后将特征矩阵送入svm分类器进行预测并分类，检测精度较高，但由于大量候选区域的判别及处理，导致检测时间长、效率低。而单阶段目标检测算法直接将图像送入检测网络提取特征并预测，不需要提取候选区域，检测效率高，更加适用于对实时性要求较高的场景中，代表模型有ssd、yolo系列算法等。从2016年发布的yolov1到目前最新的yolov8，yolo系列算法的检测精度在不断提高，但在车载嵌入式系统等计算资源有限的设备上，由于检测算法实现高精度检测的同时带来大量计算资源消耗，给系统造成较大负载。因此，在保证检测精度的同时，轻量化检测算法消耗较少的计算资源，能够降低系统负载，具有重要研究意义。
技术实现思路
1、本专利技术针对现有技术存在的问题，提出一种基于改进yolov8n的轻量化车辆行人检测方法。本专利技术可以在保证检测精度不下降的同时，有效减少模型的计算量和参数量，降低系统负载。
2、实现上述目的的技术方案是：
3、步骤1，构建车辆行人图片数据集，通过在乘用车前挡风玻璃上端安装固定机位，根据采集的道路视频，分帧得到车辆行人图片数据；获取kitti数据集并进行预处理。
4、步骤2，训练集
5、步骤3，模型轻量化改进，以yolov8n作为基准模型构建目标检测模型，在yolov8n基础上进行轻量化改进，得到改进后的模型。
6、步骤4，模型训练，通过设置训练超参数，使用步骤2中的训练集对步骤3中的改进模型进行训练。
7、步骤5，模型验证，对步骤4训练完成的模型进行验证，数据显示模型识别准确率可达到92.6％，相较于yolov8n提升了0.7％；计算量为6.1gflops，相较于yolov8n降低了24.7％；模型大小为5.1m，相较于yolov8n降低了15％，实现了在保证检测精度的同时实现模型的轻量化。
8、步骤6，将验证后的模型部署到车载嵌入式设备实现车辆行人实时检测。
9、所述步骤1中数据采集方式为，拍摄道路交通视频，再使用算法每10帧抽取一张图片构建数据集，视频格式为.mp4，录制尺寸为1242*375，帧率为30fps，抽取完成后得到2481张图片。
10、所述步骤1中kitti数据集为开源的道路交通场景数据集，共有9类目标。对kitti数据集的预处理方式为：将pedestrian、person_sitting类的标签合并为person，删除tram、misc、dontcare类的标签，保留car、van、truck、cyclist类的标签，处理后的kitti数据集共包含行人、小型乘用车、二轮车辆(摩托车、自行车)、小型货车、大型货车五类目标。
11、所述步骤2中使用labelimg对步骤1中采集的数据进行标注，标注的类别与处理后的kitti数据集一致，从处理后的kitti数据集中随机抽取5000张图片与标注后的图片相结合，然后按照7：1：2的比例划分为训练集、验证集、测试集。训练集包含5236张图片，验证集包含748张图片，测试集包含1497张图片。
12、所述步骤3对yolov8n模型的措施具体如下：
13、(1)基于轻量级卷积模块ghostconv设计ghostbottleneck和ghostc2f，并使用ghostconv替换传统卷积模块，使用ghostc2f替换c2f模块。ghostconv原理是先通过常规卷积生成部分特征图，再使用深度可分离卷积(depthwiseconv)进一步生成新的特征图，最后将两组特征图拼接起来。ghostconv通过传统卷积生成较少的特征图，后续在得到的特征图上使用深度可分离卷积，最后将两组特征图拼接起来，从而实现轻量化。基于ghostconv设计的ghostbottleneck模块根据卷积步长不同，有两种不同结构。当步长为1时，ghostbottleneck结构依次为输入层、ghostconv、ghostconv、连接层、输出层；当步长为2时，ghostbottleneck结构依次为输入层、ghostconv、depthwiseconv、ghostconv、连接层、输出层。ghostc2f与原始c2f模块结构类似，使用ghostbottleneck替换所有原始c2f模块中的bottleneck，生成ghostc2f模块。
14、(2)在模型颈部网络增加cbam注意力机制来增强特征融合能力。cbam注意力机制添加位置为neck部分每个ghostc2f模块后，与head层连接。
15、(3)在颈部网络使用bifpn(加权双向特征金字塔)结构增强特征融合能力。bifpn为一种加权融合方式，实现方法如下：
16、在主干网络依次提取320*320*64、160*160*128、80*80*256、40*40*512、20*20*1024五个特征层，建立特征融合金字塔，自下而上建立特征金字塔通道，同时删除只有一个输入的节点，当网络输出节点和原始输入节点通道数相同时，连接原始输入节点和输出节点从而融合更多特征。
17、(4)使用wiou(wise-iou)v3作为模型的损失函数。wiouv3使用动态非单调机制评价锚框质量，使普通质量的锚框得到更多关注，可以有效提高模型的检测精度。wiou计算公式如下：
18、lwiou＝rwiou×liou
19、其中
20、
21、
22、其中表示真实框中心点坐标，表示预测框中心点坐标，cw表示预测框和真实框长度差，ch表示预测框和真实框高度差，a表示预测框，b表示真实框。
23、wiouv3在wiou基础上定义了一个离群值β用于衡量锚框质量，并基于离群值构建非单调焦点因子r，wiouv3计算公式如下：
24、lwiouv3＝lwiou×r
25、其中：
26、
27、这里，α值取1.9，β值取3。
28、所述步骤4中的训练是在搭载windows10的台式计算机上进行，cpu为amd5600x，gpu为rtx3060ti，内存为16g。训练超参数设定如下：训练次数为200次，batch size为设为16，使用adam优化器，初始学习率为1*10-3,最终学习率为1*10-4，并采用余弦退火算法动态调整学习率。
29、所述步骤5中验证时iou设为0.5，batchsize设为1。
【技术保护点】
1.一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，包括如下步骤：
2.根据权利要求书1所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，在步骤1中，先使用固定机位相机录制的道路交通视频，视频格式为.mp4，画面尺寸为1242*375，帧率为30FPS，再使用算法每隔10帧抽取一张图片，抽取完成后得到2481张图片。对KITTI数据集的预处理方式为：将Pedestrian、Person_sitting类的标签合并为Person，删除Tram、Misc、DontCare类的标签，保留Car、Van、Truck、Cyclist类的标签，处理后的KITTI数据集共包含行人、小型乘用车、二轮车辆(摩托车、自行车)、小型货车、大型货车五类目标。
3.根据权利要求书1所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，在步骤2中，从处理后的KITTI数据集中随机抽取5000张图片与标注后的图片相结合，生成更加完备的车辆行人数据集，训练集、验证集、测试集的划分比例为7：1：2，训练集包含5236张图片，验证集包含74
4.根据权利要求书1所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，在步骤3中，主要包括以下改进措施：
5.根据权利要求书1所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，在步骤4中，训练在搭载Windows10的台式计算机上进行，CPU为AMD5600X，GPU为RTX3060TI，内存为16G。训练超参数设定如下：训练次数为200次，Batch Size为设为16，使用Adam优化器，初始学习率为1*10-3,最终学习率为1*10-4，并采用余弦退火算法动态调整学习率。
6.根据权利要求书4所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，所述Ghostconv原理是先通过常规卷积生成部分特征图，再使用深度可分离卷积(DepthWiseConv)进一步生成新的特征图，最后将两组特征图拼接起来。
7.根据权利要求书4所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，所述CBAM添加位置为Ncek部分每个GhostC2f模块后，与Head层连接。
8.根据权利要求书4所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，所述BiFPN为一种加权融合方式，实现方法如下：
9.根据权利要求书4所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，所述WIoUv3使用动态非单调机制评价锚框质量，使普通质量的锚框得到更多关注，可以有效提高模型的检测精度。WIoU计算公式如下：
10.根据权利要求书1所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，在步骤5中，使用步骤2中所述的验证集验证结果，验证参数设置具体为：
11.根据权利要求书1所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，在步骤5中，验证结果数据显示模型的平均检测精度可达到92.6％，相较于YOLOv8n提升了0.7％；计算量为6.1GFlops，相较于YOLOv8n降低了24.7％；模型大小为5.1M，相较于YOLOv8n降低了15％，在保证检测精度的同时实现了模型的轻量化。
12.根据权利要求书1所述的一种基于改进YOLOv8n的轻量化车辆行人检测方法，其特征在于，在步骤6中，将验证后的模型转化为onnx格式，部署到车载嵌入式设备上，实现车辆行人的实时检测。
...【技术特征摘要】
1.一种基于改进yolov8n的轻量化车辆行人检测方法，其特征在于，包括如下步骤：
2.根据权利要求书1所述的一种基于改进yolov8n的轻量化车辆行人检测方法，其特征在于，在步骤1中，先使用固定机位相机录制的道路交通视频，视频格式为.mp4，画面尺寸为1242*375，帧率为30fps，再使用算法每隔10帧抽取一张图片，抽取完成后得到2481张图片。对kitti数据集的预处理方式为：将pedestrian、person_sitting类的标签合并为person，删除tram、misc、dontcare类的标签，保留car、van、truck、cyclist类的标签，处理后的kitti数据集共包含行人、小型乘用车、二轮车辆(摩托车、自行车)、小型货车、大型货车五类目标。
3.根据权利要求书1所述的一种基于改进yolov8n的轻量化车辆行人检测方法，其特征在于，在步骤2中，从处理后的kitti数据集中随机抽取5000张图片与标注后的图片相结合，生成更加完备的车辆行人数据集，训练集、验证集、测试集的划分比例为7：1：2，训练集包含5236张图片，验证集包含748张图片，测试集包含1497张图片。
4.根据权利要求书1所述的一种基于改进yolov8n的轻量化车辆行人检测方法，其特征在于，在步骤3中，主要包括以下改进措施：
5.根据权利要求书1所述的一种基于改进yolov8n的轻量化车辆行人检测方法，其特征在于，在步骤4中，训练在搭载windows10的台式计算机上进行，cpu为amd5600x，gpu为rtx3060ti，内存为16g。训练超参数设定如下：训练次数为200次，batch size为设为16，使用adam优化器，初始学习率为1*10-3,最终学习率为1*10-4，并采用余弦退火算法动态调整学...
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。