В связи с существующими проблемами современных алгоритмов обнаружения объектов, такими как большой размер параметров моделей и невозможность их эффективной портируемости на мобильные устройства для применения в системах помощи водителю, в данной работе предложен улучшенный алгоритм обнаружения объектов на основе YOLOv5s. Во-первых, базовая сеть CSPDarknet в алгоритме YOLOv5s была заменена на облегчённую модель сети MobileNet-V3, что позволило решить проблему большого размера модели и большого количества параметров, уменьшить глубину сети и повысить скорость вывода данных. Во-вторых, для улучшения извлечения признаков была применена взвешенная двунаправленная структура признакового пирамидального объединения Bi-FPN, которая объединяет признаки разных масштабов и расширяет поле восприятия. Наконец, функция потерь была оптимизирована путем использования CIoU в качестве функции потерь регрессии рамок, что улучшило скорость сходимости по сравнению с исходным GIoU, сделало предсказанные рамки более соответствующими реальным и снизило сложность обучения сети. Экспериментальные результаты показали, что улучшенный алгоритм увеличил mAP на датасете KITTI по сравнению с YOLOv5s, SSD, YOLOv3 и YOLOv4_tiny на 4.4, 15.7, 12.4 и 19.6 соответственно, снизил размер модели по сравнению с YOLOv5s и облегченной сетью YOLOv4_tiny на 32.4 МБ и 21 МБ соответственно, а также повысил скорость обнаружения на 17.6% и 43%. Предложенный алгоритм соответствует требованиям небольшой модели и высокой точности, предоставляя решение для повышения скорости и точности обнаружения дорожных объектов в системах помощи водителю.

MobileNetV3;обнаружение объектов;YOLOv5;извлечение признаков;CIoU