Frente a los problemas existentes en los algoritmos de detección de objetos actuales, como el gran tamaño de los parámetros del modelo y la incapacidad para transferirse eficazmente a dispositivos móviles para aplicaciones de asistencia al conductor, este artículo propone un algoritmo de detección de objetos mejorado basado en YOLOv5s. En primer lugar, la red principal CSPDarknet del algoritmo YOLOv5s se reemplazó por un modelo de red ligero MobileNet-V3, resolviendo el problema del tamaño grande del modelo y el número elevado de parámetros, reduciendo la profundidad de la red y aumentando la velocidad de inferencia. En segundo lugar, se utilizó una estructura piramidal de características bidireccional ponderada Bi-FPN para mejorar la extracción de características, fusionando características multiescala y ampliando el campo receptivo. Finalmente, se optimizó la función de pérdida utilizando CIoU como función de pérdida de regresión de caja delimitadora, mejorando la velocidad de convergencia con respecto a la función original GIoU, haciendo que los cuadros predichos sean más consistentes con los cuadros reales, mientras se reduce la dificultad del entrenamiento de la red. Los resultados experimentales muestran que el algoritmo mejorado aumentó el mAP en el conjunto de datos KITTI en 4.4, 15.7, 12.4 y 19.6 en comparación con YOLOv5s, SSD, YOLOv3 y YOLOv4_tiny respectivamente, redujo el tamaño del modelo en 32.4 MB y 21 MB en comparación con YOLOv5s y YOLOv4_tiny respectivamente, y mejoró la velocidad de detección en un 17.6% y 43%. El algoritmo mejorado cumple con los requisitos de modelos pequeños y alta precisión, proporcionando una solución para mejorar la velocidad y precisión de detección de objetivos en carreteras para la asistencia al conductor.

MobileNetV3;detección de objetivos;YOLOv5;extracción de características;CIoU