Diante dos problemas existentes nos algoritmos populares de detecção de objetos, como o grande tamanho dos parâmetros dos modelos e a dificuldade de portabilidade para dispositivos móveis para aplicações de assistência ao motorista, este artigo propõe um algoritmo de detecção de objetos melhorado baseado no YOLOv5s. Primeiro, a rede principal CSPDarknet do algoritmo YOLOv5s foi substituída pelo modelo leve MobileNet-V3, resolvendo o problema do tamanho grande do modelo e do elevado número de parâmetros, reduzindo a profundidade da rede e aumentando a velocidade de inferência dos dados. Em seguida, foi adotada a estrutura piramidal de características bidirecional ponderada Bi-FPN para fortalecer a extração de características, fundindo características em múltiplas escalas e ampliando o campo receptivo. Finalmente, a função de perda foi otimizada usando CIoU como função de perda de regressão da caixa delimitadora, melhorando a velocidade de convergência em relação ao GIoU original, tornando os quadros previstos mais aderentes aos reais, ao mesmo tempo em que reduz a dificuldade do treinamento da rede. Os resultados experimentais mostraram que o algoritmo melhorado aumentou o mAP no conjunto de dados KITTI em 4,4, 15,7, 12,4 e 19,6 em comparação com YOLOv5s, SSD, YOLOv3 e YOLOv4_tiny, respectivamente; reduziu o tamanho do modelo em 32,4 MB e 21 MB em comparação com YOLOv5s e YOLOv4_tiny, respectivamente; e melhorou a velocidade de detecção em 17,6% e 43%. O algoritmo melhorado atende aos requisitos de modelo pequeno e alta precisão, oferecendo uma solução para melhorar a velocidade e a precisão da detecção de objetos rodoviários na assistência ao motorista.

MobileNetV3;detecção de objetos;YOLOv5;extração de características;CIoU