基于YOLO-FESD的轻量化实时目标检测方法技术

本发明专利技术涉及目标检测技术领域，尤其涉及一种基于YOLO‑FESD的轻量化实时目标检测方法，包括：S1：获取公开的目标检测数据集并预处理，得到训练集；S2：构建以YOLOv8网络作为基础网络的YOLO‑FESD网络；其中，在YOLOv8网络的主干网络中加入C2f_Faster_ELA模块，在YOLOv8网络的颈部网络中加入GSConv层和VoV‑GSCSP模块，以及在YOLOv8网络的头部网络中加入深度可分离卷积层；S3：应用步骤S1得到的训练集训练YOLO‑FESD网络，得到YOLO‑FESD模型；S4：将待检测的图像输入YOLO‑FESD模型中进行目标检测。本发明专利技术提供的方法减少模型参数量和计算量，使模型更容易部署到嵌入式设备的同时，保证了模型极高的检测精度。

【技术实现步骤摘要】

本专利技术属于目标检测，尤其涉及一种基于yolo-fesd的轻量化实时目标检测方法。

技术介绍

1、目标检测是计算机视觉领域中的一个核心任务，具体是识别图像中的目标并对其进行定位。目标检测的应用背景广泛，涵盖了安全监控、自动驾驶、工业自动化及健康医疗的多个领域，展现了目标检测技术的强大的潜力和广泛的应用前景。近些年来，目标检测技术得到了快速发展，特别是深度学习的引入极大推动了这一领域的进步。目前，基于深度学习的目标检测技术分为两类：单阶段和两阶段目标检测算法。对于两阶段目标检测算法，主要包括首先生成候选区域，然后对每个候选区域进行分类和边界框回归的过程，这类算法精度高，但检测速度较慢。较为典型的模型有rcnn、faster-rcnn等。对于单阶段检测算法，其直接在图像上预测类别和边界框，省去了生成候选区域的步骤，这类算法检测速度快，实时性高，但精度有所降低。较为典型的模型有yolo和ssd等。

2、随着目标检测的深入应用，目标检测在不同的应用背景下有着不同的要求，越来越多的学者针对不同的要求，对目标检测算法进行了改进研究。然而，这些算法都具有庞本文档来自技高网...

【技术保护点】

1.一种基于YOLO-FESD的轻量化实时目标检测方法，其特征在于，包括：

2.根据权利要求1所述的基于YOLO-FESD的轻量化实时目标检测方法，其特征在于，在步骤S2中：将所述YOLOv8网络的主干网络中的C2f模块替换为C2f_Faster_ELA模块组，得到所述YOLO-FESD网络的主干网络；将沿所述YOLO-FESD网络的主干网络的特征处理方向的第一C2f_Faster_ELA模块组、第三C2f_Faster_ELA模块组和SPPF模块的输出特征输入所述YOLO-FESD网络的颈部网络中；每个C2f_Faster_ELA模块组包括不少于一个的C2f_Faster_...

【技术特征摘要】

1.一种基于yolo-fesd的轻量化实时目标检测方法，其特征在于，包括：

2.根据权利要求1所述的基于yolo-fesd的轻量化实时目标检测方法，其特征在于，在步骤s2中：将所述yolov8网络的主干网络中的c2f模块替换为c2f_faster_ela模块组，得到所述yolo-fesd网络的主干网络；将沿所述yolo-fesd网络的主干网络的特征处理方向的第一c2f_faster_ela模块组、第三c2f_faster_ela模块组和sppf模块的输出特征输入所述yolo-fesd网络的颈部网络中；每个c2f_faster_ela模块组包括不少于一个的c2f_faster_ela模块。

3.根据权利要求2所述的基于yolo-fesd的轻量化实时目标检测方法，其特征在于，在所述c2f_faster_ela模块中：对输入特征依次进行卷积和通道拆分，得到拆分后的第一部分特征和第二部分特征，所述第一部分特征进入不少于2个的faster_ela子模块中进行处理；将所述第二部分特征与所有faster_ela子模块的输出特征进行特征融合后，得到输出特征。

4.根据权利要求3所述的基于yolo-fesd的轻量化实时目标检测方法，其特征在于，在所述faster_ela子模块中：对输入特征依次进行卷积和高效坐标注意力机制处理后，得到的特征再与输入特征结合，得到输出特征。

5.根据权利要求4所述的基于yolo-fesd的轻量化实时目标检测方法，其特征在于，在对输入特征依次进行卷积和高效坐标注...

【专利技术属性】
技术研发人员：张冠宇，张天，张帆，赵寰宇，刘洋，罗金鑫，
申请(专利权)人：吉林大学，
类型：发明
国别省市：