安全帽佩戴检测网络模型的轻量化设计
Lightweight Design of Safety Helmet Wearing Detection Network Model作者机构:长江大学电子信息学院湖北荆州434023
出 版 物:《计算机工程》 (Computer Engineering)
年 卷 期:2023年第49卷第4期
页 面:312-320页
学科分类:08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程]
基 金:国家自然科学基金(61901059,51978079) 湖北省高等学校优秀中青年科技创新团队计划项目(T2020007)。
主 题:安全帽佩戴检测 YOLOv4-Tiny模型改进 局部稀疏因子衰减 模型压缩 TensorRT推理加速引擎 Jeston Nano边缘计算设备
摘 要:现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题。提出一种轻量化设计的DT-YOLO模型,对YOLOv4-Tiny目标检测模型进行改进,通过增加一个检测层提高模型在密集场景下对小目标的检测能力,并引入空间金字塔池化模块,提高模型对不同尺寸目标的检测能力。使用局部稀疏因子衰减算法进行稀疏化训练,从而使经过稀疏化训练后模型的平均精度均值(mAP)得到提高。根据缩放系数判断通道的重要性,并进行模型的通道剪枝,压缩模型的大小和计算量。使用TensorRT推理加速引擎进行网络层水平和垂直融合,消除拼接层操作,并将参数压缩成16位浮点型,提高模型的推理速度,最后在Jeston Nano边缘计算设备上实现模型部署。实验结果表明,与YOLOv4-Tiny模型相比,DT-YOLO模型的mAP提高了3.6个百分点,模型大小减少了83.5%,帧率提高137.7%,能够满足安全帽佩戴检测的要求。