改进型YOLOv4-tiny的轻量级目标检测算法

作     者：郭明镇 汪威 申红婷 候红涛 刘宽 罗子江 GUO Mingzhen;WANG Wei;SHEN Hongting;HOU Hongtao;LIU Kuan;LUO Zijiang

作者机构：贵州财经大学信息学院贵阳550025 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2023年第59卷第23期

页      面：145-153页

核心收录：

学科分类：08[工学] 0804[工学-仪器科学与技术] 

基　　金：国家自然科学基金(11664005) 贵州财经大学在校学生(研究生)科学研究项目(2021ZXSY113)。 

主　　题：目标检测 YOLOv4-tiny 嵌入式系统 CSPRDWConv模块 Mosaic数据增强 

摘      要：为解决部署在嵌入式设备上的目标检测中特征提取速度较慢、检测实时性不足和算法移植性较差的问题,以YOLOv4-tiny为基准网络,提出一种基于CSPRDWConv(cross stage partial residual depthwise convolution)模块的轻量级网络YOLOv4-tiny-CSPRDWConv,并使用改进的Mosaic数据增强来提升检测模型精度。CSPRDWConv模块中适当缩减算力规模,使得整个模块在保持精度的同时大幅提升推理速度;改进的Mosaic数据增强方法,节省数据增强进程的时间,充分利用每个图像块,并且过滤掉物体过小的目标,使得模型更易于训练。在此基础之上,主干网络的卷积层全部选用小卷积核,只在最后一次压缩特征图时使用5×5的深度可分离卷积,以确保模型低延迟和高准确度的特性;在Neck中引入弱SPP模块,利用局部特征和全局特征来提高目标检测的精度;通过NEON指令对训练后的检测模型进行优化,将卷积层与BN层融合,加快模型的推理进程。改进的YOLOv4-tiny算法在1080Ti的硬件上达到1 308 FPS的实时检测速度,在RK3288开发板上的推理速度约为8 FPS,检测速度约为YOLOv4-tiny基准网络的4倍;mAP达到22.31%,相比于基准网络提升0.61个百分点。实验结果表明,改进的YOLOv4-tiny算法在嵌入式设备上的检测效果更为流畅和高效。