一种基于改进YOLOv8的小目标检测方法

本技术属于计算机视觉的目标检测领域，特别涉及一种基于改进yolov8的小目标检测方法。

背景技术：

1、随着无人机产业迅速发展，配备摄像头的无人机已部署到各行各业。无人机传输的画面普遍有视野大，信息多的特点，可以提供地面拍摄所不能给予的信息。然而，随着视角的拉高，图像中物体尺寸的减少，对无人机图像信息的处理难度相比于传统图像也有所增加。无人机图像的特点是目标尺寸小、外观和几何信息少、背景复杂等，这些都给目标检测带来了很大的挑战。因此，如何改进小目标检测是计算机视觉领域的一个重要课题。

2、yolo（you only look once）算法自2015年首发以来，在实时目标检测技术领域扮演了重要角色，历经多次迭代升级，每一代版本都致力于提升检测效率、准确性和实用性。yolov1率先采用整体预测框架，摒弃候选区域生成，实现了超快的实时检测速度，尽管定位精度相对不足，但以其独特的优势引领了实时目标检测的新方向。随后，yolov2至yolov8的演变过程中，不断吸收并融入深度学习的最新研究成果，通过多尺度训练、网络结构调整、数据增强技术以及诸如加权残差连接、交叉阶段部分连接等多种创新技术的运用，逐步提高了检测准确率并维持高速运行特性。尤其到yolov8阶段，不仅在速度和精度上取得了重大突破，而且更注重满足工业场景下对实时性和高分类性能的要求，使得yolo系列在自动化质量检查和其他相关领域获得了广泛应用，成为计算机视觉领域实时目标检测技术进步的一个典范。

3、然而，yolov8在小目标检测领域仍然面临着特征信息容易在深层网络中丢失、特征融合能力不足的问题，难以保证小目标检测的准确性和效率。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种基于改进yolov8的小目标检测方法，提供一种融合了atde模块和混合空间金字塔结构mixspp的新型骨干网络atdenet，用于替代yolov8原本的骨干网络，能够缓解小目标在深层网络中特征易丢失的问题，提高小目标检测的准确性和效率。

2、为实现上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供一种基于改进yolov8的小目标检测方法，包括：

4、将待检测的小目标图像输入至预训练的基于改进yolov8的小目标检测模型中进行识别，获得检测结果；

5、其中，所述基于改进yolov8的小目标检测模型的训练方法，包括：

6、获取小目标图像数据集，并将其划分为训练集和验证集；

7、使用骨干网络atdenet替换yolov8的骨干网络，构建基于改进yolov8的小目标检测模型；

8、使用训练集和验证集对构建的小目标检测模型进行训练，得到训练后的基于改进yolov8的小目标检测模型。

9、进一步的，所述使用骨干网络atdenet替换yolov8的骨干网络，构建基于改进yolov8的小目标检测模型，包括：

10、构建骨干网络atdenet；所述骨干网络atdenet包括输入层stem和第一主干部分stage1、第二主干部分stage2、第三主干部分stage3和第四主干部分stage4；所述输入层stem包括卷积层；所述第一主干部分stage1包括卷积层和atde模块；所述第二主干部分stage2包括卷积层和atde模块；所述第三主干部分stage3包括卷积层和第一卷积模块atde；所述第四主干部分stage4包括卷积层和金字塔结构模块mixspp；

11、其中，所述骨干网络atdenet采用逐级减少卷积核大小的设计，具体为（7,5,3,3），同时采用（1,1,3,1）的卷积深度设计，能够在增大开始检测时感受野的同时减小后续预测特征图的感受野，避免过多的冗余背景信息。

12、所述第一卷积模块atde能够将图像进行多层次拼接并利用1x1卷积升维再降维，提取图像的空间细节信息；所述金字塔结构模块mixspp将空间金字塔池化和卷积模块并行，并采用逐层融合的方式；

13、将yolov8的骨干网络更换成骨干网络atdenet，构建基于改进yolov8的小目标检测模型。

14、进一步的，所述第一卷积模块atde包括深度可分离卷积和卷积核为1x1的卷积，使网络能够很好的捕捉模型输入数据，提高模型的表达能力和信息处理能力。

15、所述金字塔结构模块mixspp包括卷积层、最大池化层和深度可分离卷积，能够减少多尺度信息在融合过程中的损失，即使金字塔池对目标的响应较弱，多个1x1卷积堆叠在提取特征之后，也能减少过拟合的风险，提升模型的鲁棒性。

16、进一步的，所述卷积层包含批量归一化bn和silu激活函数，且设置了不同的卷积参数。

17、进一步的，所述小目标图像数据集来源于visdrone2019目标检测数据集。

18、进一步的，所述小目标图像数据集包含不同场景、天气和光照条件下的小目标图像。

19、进一步的，所述方法还包括：从小目标图像数据集中划分测试集，使用测试集对训练后的基于改进yolov8的小目标检测模型进行检测精度、检测速度和参数量的分析。

20、第二方面，本发明提供一种基于改进yolov8的小目标检测系统，包括：

21、检测模块，用于将待检测的小目标图像输入至预训练的基于改进yolov8的小目标检测模型中进行识别，获得检测结果；

22、其中，所述基于改进yolov8的小目标检测模型的训练方法，包括：

23、获取小目标图像数据集，并将其划分为训练集和验证集；

24、使用骨干网络atdenet替换yolov8的骨干网络，构建基于改进yolov8的小目标检测模型；

25、使用训练集和验证集对构建的小目标检测模型进行训练，得到训练后的基于改进yolov8的小目标检测模型。

26、第三方面，本发明提供一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如上述的基于改进yolov8的小目标检测方法。

27、与现有技术相比，本发明所达到的有益效果：

28、（1）本发明提出的检测方法基于yolov8目标检测算法，使其在正常环境下有很高的检测精度。本发明同将提出的针对小目标检测的骨干网络atdenet替换yolov8的骨干提取网络，使该模型能够有效提取图像的空间细节信息，提升小目标的检测精度。

29、（2）本发明提出了一种特征提取能力更强的卷积模块-atde，能够有效提取图像的空间细节信息，提升小目标检测的检测精度。

30、（3）本发明提出了一种针对小目标的骨干网络-atdenet，该网络重新设计了感受野，使得底层特征图感受野小，顶层特征图感受野大，适应小目标检测的特点。

31、（4）本发明提出了一种新的混合空间金字塔结构-mixspp，该结构将空间金字塔池化和卷积模块并行，并采用逐层融合的方式，减少多尺度信息在融合过程中的损失。