Road object detection algorithm based on improved YOLOv5s

ZHOU Qing; TAN Gong-quan; YIN Song-lin; LI Yi-nian; WEI Dan-qin

doi:10.37188/CJLCD.2022-0257

您当前的位置：

首页 >

文章列表页 >

Road object detection algorithm based on improved YOLOv5s

Image Processing | 更新时间：2023-05-09

- Road object detection algorithm based on improved YOLOv5s
- Chinese Journal of Liquid Crystals and Displays Vol. 38, Issue 5, Pages: 680-690(2023)
- 作者机构：
  
  1.四川轻化工大学自动化与信息工程学院，四川自贡 643000
  2.人工智能四川省重点实验室，四川宜宾 644000
- 作者简介：
- 基金信息：
  
  Sichuan Provincial Science and Technology Program(2020JDJQ0075);Artificial Intelligence Sichuan Key Laboratory Research Project(2019RYJ08)
- DOI：10.37188/CJLCD.2022-0257
  CLC： TP391.41
- Received：30 July 2022，
  
  Revised：24 August 2022，
  
  Published：05 May 2023
- 稿件说明：
移动端阅览
ZHOU Qing, TAN Gong-quan, YIN Song-lin, et al. Road object detection algorithm based on improved YOLOv5s[J]. Chinese journal of liquid crystals and displays, 2023, 38(5): 680-690.
DOI：

ZHOU Qing, TAN Gong-quan, YIN Song-lin, et al. Road object detection algorithm based on improved YOLOv5s[J]. Chinese journal of liquid crystals and displays, 2023, 38(5): 680-690. DOI： 10.37188/CJLCD.2022-0257.

摘要

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题，本文提出了一种改进YOLOv5s的目标检测算法。首先，将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3，解决了网络模型较大、参数较多的问题，减少了网络的深度并提升了数据推断速度；其次，对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取，融合多尺度特征进而扩大感受野；最后，对损失函数进行优化，使用CIoU为边界框回归损失函数，改善模型原始GIoU收敛速度较慢问题，使预测框更加符合于真实框，同时降低网络训练难度。实验结果表明，改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4_tiny分别提升了4.4、15.7、12.4、19.6，模型大小相较于YOLOv5s与轻量级网络YOLOv4_tiny分别减少了32.4 MB和21 MB，同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求，为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。

Abstract

Aiming at the problem that the model parameters of the current mainstream target detection algorithms are too large and cannot be transplanted to mobile devices and applied to assisted driving， this paper proposes an improved YOLOv5s target detection algorithm. Firstly， CSPDarknet， the backbone network of YOLOv5s algorithm， is replaced by MobileNet-V3， a lightweight network model， which solves the problem of large network model and many parameters， reduces the network depth and improves the data inference speed. Secondly， a weighted bidirectional feature pyramid structure Bi-FPN is used to enhance feature extraction， and multi-scale features are integrated to expand the receptive field. Finally， the loss function is optimized and CIoU is used as the boundary box regression loss function to improve the slow convergence speed of the original GIoU model， so that the prediction box is more consistent with the real box， and at the same time reduce the difficulty of network training. Experimental results show that compared with YOLOv5s， SSD， YOLOv3 and YOLOv4_tiny， the mAP of the improved algorithm on KITTI dataset is improved by 4.4， 15.7， 12.4 and 19.6， respectively. Compared with YOLOv5s and lightweight network YOLOv4_tiny， the model size is reduced by 32.4 MB and 21 MB respectively， and the detection speed is improved by 17.6% and 43% respectively. The improved algorithm meets the requirements of small model and high accuracy， and provides a solution for improving detection speed and accuracy of road target detection in assisted driving.

关键词

Keywords

references

ZHAO Z Q ， ZHENG P ， XU S T ， et al . Object detection with deep learning： a review ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2019 ， 30 （ 11 ）： 3212 - 3232 . doi: 10.1109/tnnls.2018.2876865 http://dx.doi.org/10.1109/tnnls.2018.2876865

YANG G H ， FENG W ， JIN J T ， et al . Face mask recognition system with YOLOv5 based on image recognition ［C］// 2020 IEEE 6th International Conference on Computer and Communications （ICCC） . Chengdu ： IEEE ， 2020 ： 1398 - 1404 . doi: 10.1109/iccc51575.2020.9345042 http://dx.doi.org/10.1109/iccc51575.2020.9345042

LECUN Y ， BENGIO Y ， HINTON G . Deep learning ［J］. Nature ， 2015 ， 521 （ 7553 ）： 436 - 444 . doi: 10.1038/nature14539 http://dx.doi.org/10.1038/nature14539

郭晓静，隋昊达 . 改进YOLOv3在机场跑道异物目标检测中的应用［J］. 计算机工程与应用， 2021 ， 57 （ 8 ）： 249 - 255 ．

GUO X J ， SUI H D . Application of improved YOLOv3 in foreign object debris target detection on airfield pavement ［J］. Computer Engineering and Applications ， 2021 ， 57 （ 8 ）： 249 - 255 . （in Chinese）

符惠桐，王鹏，李晓艳，等 . 面向移动目标识别的轻量化网络模型［J］. 西安交通大学学报， 2021 ， 55 （ 7 ）： 124 - 131 ． doi: 10.7652/xjtuxb202107014 http://dx.doi.org/10.7652/xjtuxb202107014

FU H T ， WANG P ， LI X Y ， et al . Lightweight network model for moving object recognition ［J］. Journal of Xi'an Jiaotong University ， 2021 ， 55 （ 7 ）： 124 - 131 . （in Chinese） . doi: 10.7652/xjtuxb202107014 http://dx.doi.org/10.7652/xjtuxb202107014

孔雅洁，张叶 . 引入高斯掩码自注意力模块的YOLOv3目标检测方法［J］. 液晶与显示， 2022 ， 37 （ 4 ）： 539 - 548 ． doi: 10.37188/cjlcd.2021-0250 http://dx.doi.org/10.37188/cjlcd.2021-0250

KONG Y J ， ZHANG Y . YOLOv3 object detection method by introducing Gaussian mask self-attention module ［J］. Chinese Journal of Liquid Crystals and Displays ， 2022 ， 37 （ 4 ）： 539 - 548 . （in Chinese） . doi: 10.37188/cjlcd.2021-0250 http://dx.doi.org/10.37188/cjlcd.2021-0250

宋建辉，王思宇，刘砚菊，等 . 基于改进FFRCNN网络的无人机地面小目标检测算法［J］. 电光与控制， 2022 ， 29 （ 7 ）： 69 - 73，80 ． doi: 10.3969/j.issn.1671-637X.2022.07.013 http://dx.doi.org/10.3969/j.issn.1671-637X.2022.07.013

SONG J H ， WANG S Y ， LIU Y J ， et al . Ground small target detection algorithm of UAV based on improved FFRCNN network ［J］. Electronics Optics & Control ， 2022 ， 29 （ 7 ）： 69 - 73， 80 . （in Chinese） . doi: 10.3969/j.issn.1671-637X.2022.07.013 http://dx.doi.org/10.3969/j.issn.1671-637X.2022.07.013

崔丽群，杨振忠，段天龙，等 . 复合先验的显著性目标检测方法［J/OL］. 激光与光电子学进展， 1 - 15 . http：//kns.cnki.net/kcms/detail/31.1690.TN.20191106.1202.054.html http://kns.cnki.net/kcms/detail/31.1690.TN.20191106.1202.054.html .

CUI L Q ， YANG Z Z ， DUAN T L ， et al . Significance target detection method based on composite prior ［J/OL］. Progress in Laser and Optoelectronics ， 1 - 15 . http：//kns.cnki.net/kcms/detail/31.1690.TN.20191106.1202.054.html. http://kns.cnki.net/kcms/detail/31.1690.TN.20191106.1202.054.html. （in Chinese）

KAVYASHREE P S P ， EL-SHARKAWY M . Compressed MobileNetv3： a light weight variant for resource-constrained platforms ［C］// 2021 IEEE 11th Annual Computing and Communication Workshop and Conference （CCWC） . Las Vegas ： IEEE ， 2021 ： 104 - 107 . doi: 10.1109/ccwc51732.2021.9376113 http://dx.doi.org/10.1109/ccwc51732.2021.9376113

LIN S D ， ZHU K X ， FENG C ， et al . Align-Yolact： a one-stage semantic segmentation network for real-time object detection ［J］. Journal of Ambient Intelligence and Humanized Computing ， 2023 ， 14 （ 2 ）： 863 - 870 . doi: 10.1007/s12652-021-03340-4 http://dx.doi.org/10.1007/s12652-021-03340-4

张广世，葛广英，朱荣华，等 . 基于改进YOLOv3网络的齿轮缺陷检测［J］. 激光与光电子学进展， 2020 ， 57 （ 12 ）： 121009 ． doi: 10.3788/lop57.121009 http://dx.doi.org/10.3788/lop57.121009

ZHANG G S ， GE G Y ， ZHU R H ， et al . Gear defect detection based on the improved YOLOv3 network ［J］. Laser & Optoelectronics Progress ， 2020 ， 57 （ 12 ）： 121009 . （in Chinese） . doi: 10.3788/lop57.121009 http://dx.doi.org/10.3788/lop57.121009

ZHENG Z H ， WANG P ， LIU W ， et al . Distance-IoU loss： faster and better learning for bounding box regression ［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence . New York ： AAAI ， 2020 ： 12993 - 13000 . doi: 10.1609/aaai.v34i07.6999 http://dx.doi.org/10.1609/aaai.v34i07.6999

杨政，邓赵红，罗晓清，等 . 利用ELM-AE和迁移表征学习构建的目标跟踪系统［J］. 计算机科学与探索， 2022 ， 16 （ 7 ）： 1633 - 1648 ． doi: 10.3778/j.issn.1673-9418.2012028 http://dx.doi.org/10.3778/j.issn.1673-9418.2012028

YANG Z ， DENG Z H ， LUO X Q ， et al . Target tracking system constructed by ELM-AE and transfer representation learning ［J］. Journal of Frontiers of Computer Science & Technology ， 2022 ， 16 （ 7 ）： 1633 - 1648 . （in Chinese） . doi: 10.3778/j.issn.1673-9418.2012028 http://dx.doi.org/10.3778/j.issn.1673-9418.2012028

曹志伟 . 车载图像行人检测关键技术研究［D］. 北京：北京邮电大学， 2021 ．

CAO Z W . Research on key technologies of pedestrian detection in vehicle image ［D］. Beijing ： Beijing University of Posts and Telecommunications ， 2021 . （in Chinese）

葛俏，梁桥康，邹坤霖，等 . 基于轻量化网络与嵌入式系统的喷码检测［J］. 控制工程， 2022 ， 29 （ 12 ）： 2349 - 2356 ．

GE Q ， LIANG Q K ， ZOU K L ， et al . Detection of inkjet code quality based on lightweight network and embedded system ［J］. Control Engineering of China ， 2022 ， 29 （ 12 ）： 2349 - 2356 . （in Chinese）

侯志强，韩崇昭 . 视觉跟踪技术综述［J］. 自动化学报， 2006 ， 32 （ 4 ）： 603 - 617 ．

HOU Z Q ， HAN C Z . A survey of visual tracking ［J］. Acta Automatica Sinica ， 2006 ， 32 （ 4 ）： 603 - 617 . （in Chinese）

王建林，付雪松，黄展超，等 . 改进YOLOv2卷积神经网络的多类型合作目标检测［J］. 光学精密工程， 2020 ， 28 （ 1 ）： 251 - 260 ． doi: 10.3788/ope.20202801.0251 http://dx.doi.org/10.3788/ope.20202801.0251

WANG J L ， FU X S ， HUANG Z C ， et al . Multi-type cooperative targets detection using improved YOLOv2 convolutional neural network ［J］. Optics and Precision Engineering ， 2020 ， 28 （ 1 ）： 251 - 260 . （in Chinese） . doi: 10.3788/ope.20202801.0251 http://dx.doi.org/10.3788/ope.20202801.0251

UHRIG J ， SCHNEIDER N ， SCHNEIDER L ， et al . Sparsity invariant CNNs ［C］// 2017 International Conference on 3D Vision （3DV） . Qingdao ： IEEE ， 2017 ： 11 - 20 . doi: 10.1109/3dv.2017.00012 http://dx.doi.org/10.1109/3dv.2017.00012

ZUO C ， QIAN J M ， FENG S J ， et al . Deep learning in optical metrology： a review ［J］. Light： Science & Applications ， 2022 ， 11 （ 1 ）： 39 . doi: 10.1038/s41377-022-00714-x http://dx.doi.org/10.1038/s41377-022-00714-x

晏晓天，黄山 . 基于分组异构卷积的轻量级目标检测网络［J］. 计算机科学， 2020 ， 47 （ 4 ）： 108 - 111 ． doi: 10.11896/jsjkx.190600067 http://dx.doi.org/10.11896/jsjkx.190600067

YAN X T ， HUANG S . Light-weight object detection network based on grouping heterogeneous convolution ［J］. Computer Science ， 2020 ， 47 （ 4 ）： 108 - 111 . （in Chinese） . doi: 10.11896/jsjkx.190600067 http://dx.doi.org/10.11896/jsjkx.190600067

张俊蓉，徐长彬，唐明周，等 . 基于SSD改进的目标检测方法研究［J］. 激光与红外， 2019 ， 49 （ 8 ）： 1019 - 1025 ． doi: 10.3969/j.issn.1001-5078.2019.08.020 http://dx.doi.org/10.3969/j.issn.1001-5078.2019.08.020

ZHANG J R ， XU C B ， TANG M Z ， et al . The improved target detection methods based on SSD network ［J］. Laser & Infrared ， 2019 ， 49 （ 8 ）： 1019 - 1025 . （in Chinese） . doi: 10.3969/j.issn.1001-5078.2019.08.020 http://dx.doi.org/10.3969/j.issn.1001-5078.2019.08.020

Views

421

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Improved autonomous driving object detection based on YOLOv8s

Visual SLAM algorithm based on dynamic feature elimination and dense mapping

Mura defect detection of LCD screen based on improved YOLOv8n

Object detection methods for high resolution remote sensing images

Related Author

ZHOU Qing

TAN Gong-quan

YIN Song-lin

LI Yi-nian

WEI Dan-qin

WANG Longchun

FANG Wei

ZHANG Lijuan

Related Institution

Sichuan University of Science & Engineering， School of Automation and Information Engineering

School of Computer Science， Nanjing University of Information Science and Technology

School of Internet of Things Engineering， Wuxi University

School of Mechanical Engineering， Shaanxi University of Technology

School of Mechanical Engineering， Sichuan University of Science & Engineering， Yinbin

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China 130033 Postal code：130033
Tel：0431-86176059 Email：yjxs@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰