Face aux problèmes actuels des algorithmes de détection d’objets courants, tels que la taille importante des paramètres du modèle et leur mauvaise portabilité vers les dispositifs mobiles pour les applications d’aide à la conduite, cet article propose un algorithme de détection d’objets amélioré basé sur YOLOv5s. Tout d’abord, le réseau principal CSPDarknet de YOLOv5s est remplacé par un modèle de réseau léger MobileNet-V3, ce qui résout le problème de la taille importante du modèle et du nombre élevé de paramètres, réduit la profondeur du réseau et améliore la vitesse d’inférence. Ensuite, un réseau d’extraction de caractéristiques à architecture pyramidale bidirectionnelle pondérée Bi-FPN est utilisé pour renforcer l’extraction des caractéristiques, en fusionnant les caractéristiques multi-échelles et en élargissant le champ réceptif. Enfin, la fonction de perte est optimisée en utilisant CIoU comme fonction de perte de régression de la boîte englobante, améliorant la vitesse de convergence par rapport à la fonction GIoU d’origine, rendant les zones prédites plus conformes aux zones réelles, tout en réduisant la difficulté d’entraînement du réseau. Les résultats expérimentaux montrent que l’algorithme amélioré augmente le mAP sur le dataset KITTI de 4,4, 15,7, 12,4 et 19,6 par rapport à YOLOv5s, SSD, YOLOv3 et YOLOv4_tiny respectivement, réduit la taille du modèle de 32,4 Mo et 21 Mo par rapport à YOLOv5s et YOLOv4_tiny respectivement, et améliore la vitesse de détection de 17,6 % et 43 %. L’algorithme amélioré répond aux exigences d’un modèle compact et précis, offrant une solution pour améliorer la vitesse et la précision de la détection d’objets routiers dans l’aide à la conduite.

MobileNetV3;détection d’objets;YOLOv5;extraction de caractéristiques;CIoU