技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种基于改进YOLOv8的小目标检测方法  >  正文

一种基于改进YOLOv8的小目标检测方法

  • 国知局
  • 2024-08-30 14:26:04

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。

本文地址:https://www.jishuxx.com/zhuanli/20240830/281986.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。