CN118155012A - 一种基于YOLOv5s的轻量化车载模型训练方法 - Google Patents
一种基于YOLOv5s的轻量化车载模型训练方法 Download PDFInfo
- Publication number
- CN118155012A CN118155012A CN202311806698.1A CN202311806698A CN118155012A CN 118155012 A CN118155012 A CN 118155012A CN 202311806698 A CN202311806698 A CN 202311806698A CN 118155012 A CN118155012 A CN 118155012A
- Authority
- CN
- China
- Prior art keywords
- model
- yolov
- network
- training
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 26
- 238000004821 distillation Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013140 knowledge distillation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于YOLOv5s的轻量化车载模型训练方法,涉及轻量化车载模型技术领域。本发明至少包括以下步骤:S1:获取原始图像数据集并进行预处理得到目标图像数据集,所述原始图像数据集是指通过汽车摄像头获取到的大量包含待检测目标的图像集合,所述预处理包括数据标注和数据增强;S2:使用目标图像数据集对YOLOv5s网络模型进行训练,得到第一网络模型;S3:基于轻量级MobileOne网络和Slim‑Neck结构,对YOLOv5s网络进行改进得到轻量化YOLOv5s网络模型。本发明通过对原始图像集合进行数据标注和数据增强等预处理得到目标图像数据集,提升了数据集的数据广度和分布空间,进而有效保障了轻量化YOLOv5s网络模型的检测精度和泛化能力。
Description
技术领域
本发明涉及轻量化车载模型技术领域,具体为一种基于YOLOv5s的轻量化车载模型训练方法。
背景技术
目标检测的任务是找出图像中所有感兴趣的目标物体,确定它们的类别和位置,其是许多计算机视觉任务的前提与基础,也一直是计算机视觉领域最具有挑战性的问题。
随着大量的实验研究,越来越多的图像处理和识别技术不断涌现,尤其是近年来以深度学习为代表的人工智能技术的应用普及,为目标检测提供了重要的新范式,只需要搭建合适的网络模型,再通过数据集的训练,便可以自动计算出合适的目标特征。
随着深度学***衡。YOLO系列网络具有检测速度快、实时性强等优点,广泛应用于实时目标检测领域,但现有的YOLO算法在精度和速度上仍无法满足车载应用场景。
因此需要对以上问题提出一种新的解决方案。
发明内容
本发明的目的在于提供一种基于YOLOv5s的轻量化车载模型训练方法。
为实现上述目的,本发明提供如下技术方案:一种基于YOLOv5s的轻量化车载模型训练方法,至少包括以下步骤:
S1:获取原始图像数据集并进行预处理得到目标图像数据集,所述原始图像数据集是指通过汽车摄像头获取到的大量包含待检测目标的图像集合,所述预处理包括数据标注和数据增强;
S2:使用目标图像数据集对YOLOv5s网络模型进行训练,得到第一网络模型;
S3:基于轻量级MobileOne网络和Slim-Neck结构,对YOLOv5s网络进行改进得到轻量化YOLOv5s网络模型;
S4:以第一网络模型作为教师模型,轻量化YOLOv5s网络模型作为学生模型进行知识蒸馏,得到目标网络模型。
优选的,所述数据标注通过LabelImg工具为数据集中每张图像打上标签,并把图像转换为能被YOLOv5s读取训练的格式,最后将数据集分为训练集和验证集。
优选的,所述数据增强方法包括Mosaic算法和Mixup算法;
所述Mosaic算法为把4张图片,通过随机缩放、随机裁剪、随机排布的方式进行拼接,组合成一张大图,增加训练数据的多样性;
所述Mixup算法为随机选择两张图片,并按照一定比例进行混合生成新的图像作为增强的数据;
通过对原始图像集合进行数据标注,得到第一图像集合,并对第一图像数据集进行数据增强,得到目标图像数据集的方式,提升了数据集的数据广度和分布空间,进而有效保障了轻量化YOLOv5s网络模型的检测精度和泛化能力。
优选的,所述S2至少包括以下本步骤中,根据服务器计算资源情况,配置相关训练参数后,使用目标图像数据集的训练集对YOLOv5s网络模型进行训练;训练完成后,使用目标图像数据集的验证集对训练后的YOLOv5s网络模型进行评估,直至结果满足预设指标,得到第一网络模型;
所述评估时使用深度学***均精度)、Precision(准确率)、Recall(召回率)和FLOPs(模型每秒执行浮点运算次数)指标;
在YOLOv5s网络模型训练时,采用MPDIoU损失函数替换原有的CIoU损失函数,MPDIoU包含了现有损失函数中考虑的所有相关因素,即重叠或非重叠区域、中心点距离、宽高偏差,同时简化了计算过程;
MPDIoU损失函数可以通过如下公式进行表示:
其中,IOU表示传统的交并比损失,d1表示真实框和预测框左上角相对距离,d2表示真实框和预测框右下相对距离,w表示输入图像的宽度,h表示输入图像的高度。
优选的,所述S3中的MobileOne网络是苹果团队最新发布的移动端高效主干网络;
所述S3中的轻量化MobileOne网络是使用CoordAttention注意力机制模块替换网络原有的SE注意力机制模块后的MobileOne网络;
所述Slim-Neck结构是引入了轻量化卷积技术GSConv代替标准卷积后的Neck结构;
CoordAttention是一种基于协调注意力的轻量级注意力机制模块,通过将MobileOne网络中的SE注意力机制模块替换为CoordAttention注意力机制模块,能够进一步减小MobileOne网络的计算复杂度,同时帮助MobileOne网络更为准确地定位和识别输入图像中的目标对象的位置;
轻量化卷积技术GSConv的计算成本约为标准卷积的60%-70%,能有效降低计算量,且输出尽可能贴近标准卷积;
采用上述方法获得的轻量化YOLOv5s网络模型,不仅能够减少模型的参数量,降低硬件资源消耗,还能够有效保障网络模型的检测精度和泛化能力。
优选的,所述S4至少包括以下步骤:
使用S2中经过目标图像数据集训练后得到的第一网络模型作为教师模型,使用S3中改进得到的轻量化YOLOv5s网络模型作为学生模型,使用知识蒸馏对学生模型进行微调训练,采用S2中的评估方法最终得到符合预期的目标网络模型;
在蒸馏时采用FGFI(Fine-grained Feature Imitation,细粒度特征模仿)技术方法,该方法核心思想是让教师模型传递给学生模型更关键的有效信息,而非无效的背景信息;
通常来说,接近目标区域的一些关键位置的特征图包含教师模型的一些重要信息,故可以先估计出这些目标区域附近的关键位置,然后让学生模型在这些位置上模仿教师模型的特征图以获得更好的性能。
蒸馏的具体操作如下:
对于每一个真值框,计算它和关键点之间的IOU,得到一个W*H*K(W是特征图的宽,H是特征图的高,K为关键位置的个数)的IOU图,称为m,取其中最大的值M(M=max(m)),根据M计算得到阈值F:
根据阈值F,过滤掉那些IOU值低于F的位置,再通过或运算结合剩下位置的IOU图得到W*H的掩码;
对所有真值框都进行此操作后,结合各个掩码,得到最终的FGFI掩码,该掩码包含了目标区域关键位置的信息;
计算教师模型和学生模型特征图之间的距离公式如下:
其中,(i,j)表示位置,c表示通道,s和t分别为学生模型和教师模型的网络特征图,fadap为适配函数;
对于所有估计出来的关键位置,蒸馏目标是最小化这些位置上学生模型与教师模型特征图的距离,即最小化:
其中I是通过上述操作得到的掩码,NP是掩码中正例的数量,最终学生模型的损失函数如下:
L=LMPDIoU+Limitation
其中LMPDIoU是在训练教师模型时所使用的MPDIoU损失函数。
采用模型蒸馏技术,从训练好的YOLOv5s网络模型中提取知识到轻量化YOLOv5s网络模型中,能确保目标网络模型的检测精度。通过FGFI技术方法将细粒度特征应用于模型蒸馏的过程中,可以帮助学生模型捕捉到更加丰富的特征信息;通过在训练过程中引入原始目标检测任务的监督信号,FGFI技术可以更好地保留复杂模型中的细节特征,从而提高轻量级模型的性能。
与现有技术相比,本发明的有益效果是:
1、本发明通过对原始图像集合进行数据标注和数据增强等预处理得到目标图像数据集,提升了数据集的数据广度和分布空间,进而有效保障了轻量化YOLOv5s网络模型的检测精度和泛化能力;
2、本发明通过在训练时采用MPDIoU损失函数替换原有的CIoU损失函数,MPDIoU包含了现有损失函数中考虑的所有相关因素,即重叠或非重叠区域、中心点距离、宽高偏差,同时简化了计算过程,在使得模型通过训练获得更高精度的同时也能加快模型的收敛速度;
3、本发明通过将MobileOne网络中的SE注意力机制模块替换为CoordAttention注意力机制模块,能够进一步减小MobileOne网络的计算复杂度,同时帮助MobileOne网络更为准确地定位和识别输入图像中的目标对象的位置;轻量化卷积技术GSConv的计算成本约为标准卷积的60%-70%,能有效降低计算量,且输出尽可能贴近标准卷积;采用上述方法获得的轻量化YOLOv5s网络模型,不仅能够减少模型的参数量,降低硬件资源消耗,还能够有效保障网络模型的检测精度和泛化能力。
4、本发明采用模型蒸馏技术,从训练好的YOLOv5s网络模型中提取知识到轻量化YOLOv5s网络模型中,能确保目标网络模型的检测精度;通过FGFI技术方法将细粒度特征应用于模型蒸馏的过程中,可以帮助学生模型捕捉到更加丰富的特征信息;通过在训练过程中引入原始目标检测任务的监督信号,FGFI技术可以更好地保留复杂模型中的细节特征,从而提高轻量级模型的性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为基于YOLOv5s的轻量化车载模型训练方法的流程示意图;
图2为本发明引入的CoordAttention注意力机制模块结构示意图;
图3为本发明引入的MobileOne网络结构示意图;
图4为本发明引入的GSConv网络结构示意图;
图5为本发明采用的细粒度特征模仿方法的模型蒸馏结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参阅图1-图5,一种基于YOLOv5s的轻量化车载模型训练方法,至少包括以下步骤:
S1:获取原始图像数据集并进行预处理得到目标图像数据集,原始图像数据集是指通过汽车摄像头获取到的大量包含待检测目标的图像集合,预处理包括数据标注和数据增强;
S2:使用目标图像数据集对YOLOv5s网络模型进行训练,得到第一网络模型;
S3:基于轻量级MobileOne网络和Slim-Neck结构,对YOLOv5s网络进行改进得到轻量化YOLOv5s网络模型;
S4:以第一网络模型作为教师模型,轻量化YOLOv5s网络模型作为学生模型进行知识蒸馏,得到目标网络模型。
数据标注通过LabelImg工具为数据集中每张图像打上标签,并把图像转换为能被YOLOv5s读取训练的格式,最后将数据集分为训练集和验证集。
数据增强方法包括Mosaic算法和Mixup算法;
Mosaic算法为把4张图片,通过随机缩放、随机裁剪、随机排布的方式进行拼接,组合成一张大图,增加训练数据的多样性;
Mixup算法为随机选择两张图片,并按照一定比例进行混合生成新的图像作为增强的数据;
通过对原始图像集合进行数据标注,得到第一图像集合,并对第一图像数据集进行数据增强,得到目标图像数据集的方式,提升了数据集的数据广度和分布空间,进而有效保障了轻量化YOLOv5s网络模型的检测精度和泛化能力。
S2至少包括以下本步骤中,根据服务器计算资源情况,配置相关训练参数后,使用目标图像数据集的训练集对YOLOv5s网络模型进行训练;训练完成后,使用目标图像数据集的验证集对训练后的YOLOv5s网络模型进行评估,直至结果满足预设指标,得到第一网络模型;
评估时使用深度学***均精度)、Precision(准确率)、Recall(召回率)和FLOPs(模型每秒执行浮点运算次数)指标;
在YOLOv5s网络模型训练时,采用MPDIoU损失函数替换原有的CIoU损失函数,MPDIoU包含了现有损失函数中考虑的所有相关因素,即重叠或非重叠区域、中心点距离、宽高偏差,同时简化了计算过程;
MPDIoU损失函数可以通过如下公式进行表示:
其中,IOU表示传统的交并比损失,d1表示真实框和预测框左上角相对距离,d2表示真实框和预测框右下相对距离,w表示输入图像的宽度,h表示输入图像的高度。
S3中的MobileOne网络是苹果团队最新发布的移动端高效主干网络;
S3中的轻量化MobileOne网络是使用CoordAttention注意力机制模块替换网络原有的SE注意力机制模块后的MobileOne网络;
Slim-Neck结构是引入了轻量化卷积技术GSConv代替标准卷积后的Neck结构;
CoordAttention是一种基于协调注意力的轻量级注意力机制模块,通过将MobileOne网络中的SE注意力机制模块替换为CoordAttention注意力机制模块,能够进一步减小MobileOne网络的计算复杂度,同时帮助MobileOne网络更为准确地定位和识别输入图像中的目标对象的位置;
轻量化卷积技术GSConv的计算成本约为标准卷积的60%-70%,能有效降低计算量,且输出尽可能贴近标准卷积;
采用上述方法获得的轻量化YOLOv5s网络模型,不仅能够减少模型的参数量,降低硬件资源消耗,还能够有效保障网络模型的检测精度和泛化能力。
S4至少包括以下步骤:
使用S2中经过目标图像数据集训练后得到的第一网络模型作为教师模型,使用S3中改进得到的轻量化YOLOv5s网络模型作为学生模型,使用知识蒸馏对学生模型进行微调训练,采用S2中的评估方法最终得到符合预期的目标网络模型;
在蒸馏时采用FGFI(Fine-grained Feature Imitation,细粒度特征模仿)技术方法,该方法核心思想是让教师模型传递给学生模型更关键的有效信息,而非无效的背景信息;
通常来说,接近目标区域的一些关键位置的特征图包含教师模型的一些重要信息,故可以先估计出这些目标区域附近的关键位置,然后让学生模型在这些位置上模仿教师模型的特征图以获得更好的性能。
蒸馏的具体操作如下:
对于每一个真值框,计算它和关键点之间的IOU,得到一个W*H*K(W是特征图的宽,H是特征图的高,K为关键位置的个数)的IOU图,称为m,取其中最大的值M(M=max(m)),根据M计算得到阈值F:
根据阈值F,过滤掉那些IOU值低于F的位置,再通过或运算结合剩下位置的IOU图得到W*H的掩码;
对所有真值框都进行此操作后,结合各个掩码,得到最终的FGFI掩码,该掩码包含了目标区域关键位置的信息;
计算教师模型和学生模型特征图之间的距离公式如下:
其中,(i,j)表示位置,c表示通道,s和t分别为学生模型和教师模型的网络特征图,fadap为适配函数;
对于所有估计出来的关键位置,蒸馏目标是最小化这些位置上学生模型与教师模型特征图的距离,即最小化:
其中I是通过上述操作得到的掩码,NP是掩码中正例的数量,最终学生模型的损失函数如下:
L=LMPDIoU+Limitation
其中LMPDIoU是在训练教师模型时所使用的MPDIoU损失函数。
采用模型蒸馏技术,从训练好的YOLOv5s网络模型中提取知识到轻量化YOLOv5s网络模型中,能确保目标网络模型的检测精度。通过FGFI技术方法将细粒度特征应用于模型蒸馏的过程中,可以帮助学生模型捕捉到更加丰富的特征信息;通过在训练过程中引入原始目标检测任务的监督信号,FGFI技术可以更好地保留复杂模型中的细节特征,从而提高轻量级模型的性能。
1.基于轻量级MobileOne网络和Slim-Neck结构,对YOLOv5s网络进行改进,得到轻量化YOLOv5s网络模型;
2.获取待检测目标的图像数据集,对图像数据集进行预处理,得到目标图像数据集;采用上述目标图像数据集并更换训练损失函数为MPDIoU损失函数,对YOLOv5s网络模型进行训练,得到第一网络模型;
3.以第一网络模型作为教师模型,轻量化YOLOv5s网络模型作为学生模型,采用上述目标图像数据集并通过细粒度特征模仿的技术方法进行知识蒸馏,得到目标网络模型。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (6)
1.一种基于YOLOv5s的轻量化车载模型训练方法,其特征在于:至少包括以下步骤:
S1:获取原始图像数据集并进行预处理得到目标图像数据集,所述原始图像数据集是指通过汽车摄像头获取到的大量包含待检测目标的图像集合,所述预处理包括数据标注和数据增强;
S2:使用目标图像数据集对YOLOv5s网络模型进行训练,得到第一网络模型;
S3:基于轻量级MobileOne网络和Slim-Neck结构,对YOLOv5s网络进行改进得到轻量化YOLOv5s网络模型;
S4:以第一网络模型作为教师模型,轻量化YOLOv5s网络模型作为学生模型进行知识蒸馏,得到目标网络模型。
2.根据权利要求1所述的一种基于YOLOv5s的轻量化车载模型训练方法,其特征在于:所述数据标注通过LabelImg工具为数据集中每张图像打上标签,并把图像转换为能被YOLOv5s读取训练的格式,最后将数据集分为训练集和验证集。
3.根据权利要求2所述的一种基于YOLOv5s的轻量化车载模型训练方法,其特征在于:所述数据增强方法包括Mosaic算法和Mixup算法;
所述Mosaic算法为把4张图片,通过随机缩放、随机裁剪、随机排布的方式进行拼接,组合成一张大图,增加训练数据的多样性;
所述Mixup算法为随机选择两张图片,并按照一定比例进行混合生成新的图像作为增强的数据;
通过对原始图像集合进行数据标注,得到第一图像集合,并对第一图像数据集进行数据增强,得到目标图像数据集的方式,提升了数据集的数据广度和分布空间,进而有效保障了轻量化YOLOv5s网络模型的检测精度和泛化能力。
4.根据权利要求1所述的一种基于YOLOv5s的轻量化车载模型训练方法,其特征在于:所述S2至少包括以下本步骤中,根据服务器计算资源情况,配置相关训练参数后,使用目标图像数据集的训练集对YOLOv5s网络模型进行训练;训练完成后,使用目标图像数据集的验证集对训练后的YOLOv5s网络模型进行评估,直至结果满足预设指标,得到第一网络模型;
所述评估时使用深度学习中目标检测模型评估主流的mAP、Precision、Recall和FLOPs指标;
在YOLOv5s网络模型训练时,采用MPDIoU损失函数替换原有的CIoU损失函数,MPDIoU包含了现有损失函数中考虑的所有相关因素,即重叠或非重叠区域、中心点距离、宽高偏差,同时简化了计算过程;
MPDIoU损失函数可以通过如下公式进行表示:
其中,IOU表示传统的交并比损失,d1表示真实框和预测框左上角相对距离,d2表示真实框和预测框右下相对距离,w表示输入图像的宽度,h表示输入图像的高度。
5.根据权利要求1所述的一种基于YOLOv5s的轻量化车载模型训练方法,其特征在于:所述S3中的轻量化MobileOne网络是使用CoordAttention注意力机制模块替换网络原有的SE注意力机制模块后的MobileOne网络;
所述Slim-Neck结构是引入了轻量化卷积技术GSConv代替标准卷积后的Neck结构。
6.根据权利要求1所述的一种基于YOLOv5s的轻量化车载模型训练方法,其特征在于:所述S4至少包括以下步骤:
使用S2中经过目标图像数据集训练后得到的第一网络模型作为教师模型,使用S3中改进得到的轻量化YOLOv5s网络模型作为学生模型,使用知识蒸馏对学生模型进行微调训练,采用S2中的评估方法最终得到符合预期的目标网络模型;
在蒸馏时采用FGFI技术方法;
蒸馏的具体操作如下:
对于每一个真值框,计算它和关键点之间的IOU,得到一个W*H*K(W是特征图的宽,H是特征图的高,K为关键位置的个数)的IOU图,称为m,取其中最大的值M(M=max(m)),根据M计算得到阈值F:
根据阈值F,过滤掉那些IOU值低于F的位置,再通过或运算结合剩下位置的IOU图得到W*H的掩码;
对所有真值框都进行此操作后,结合各个掩码,得到最终的FGFI掩码,该掩码包含了目标区域关键位置的信息;
计算教师模型和学生模型特征图之间的距离公式如下:
其中,(i,j)表示位置,c表示通道,s和t分别为学生模型和教师模型的网络特征图,fadap为适配函数;
对于所有估计出来的关键位置,蒸馏目标是最小化这些位置上学生模型与教师模型特征图的距离,即最小化:
其中I是通过上述操作得到的掩码,NP是掩码中正例的数量,最终学生模型的损失函数如下:
L=LMPDIoU+Limitation
其中LMPDIoU是在训练教师模型时所使用的MPDIoU损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311806698.1A CN118155012A (zh) | 2023-12-26 | 2023-12-26 | 一种基于YOLOv5s的轻量化车载模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311806698.1A CN118155012A (zh) | 2023-12-26 | 2023-12-26 | 一种基于YOLOv5s的轻量化车载模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118155012A true CN118155012A (zh) | 2024-06-07 |
Family
ID=91292574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311806698.1A Pending CN118155012A (zh) | 2023-12-26 | 2023-12-26 | 一种基于YOLOv5s的轻量化车载模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118155012A (zh) |
-
2023
- 2023-12-26 CN CN202311806698.1A patent/CN118155012A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902806B (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN109753913B (zh) | 计算高效的多模式视频语义分割方法 | |
CN111353505B (zh) | 基于可联合实现语义分割和景深估计的网络模型的装置 | |
CN112287941B (zh) | 一种基于自动字符区域感知的车牌识别方法 | |
CN112906631B (zh) | 一种基于视频的危险驾驶行为检测方法和检测*** | |
CN112116593A (zh) | 一种基于基尼指数的领域自适应语义分割方法 | |
CN113269133A (zh) | 一种基于深度学习的无人机视角视频语义分割方法 | |
CN114202743A (zh) | 自动驾驶场景下基于改进faster-RCNN的小目标检测方法 | |
CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN108491828B (zh) | 一种基于层次的成对相似性PVAnet的停车位检测***及方法 | |
CN115830531A (zh) | 一种基于残差多通道注意力多特征融合的行人重识别方法 | |
CN113129336A (zh) | 一种端到端多车辆跟踪方法、***及计算机可读介质 | |
Sun et al. | IRDCLNet: Instance segmentation of ship images based on interference reduction and dynamic contour learning in foggy scenes | |
CN110503049B (zh) | 基于生成对抗网络的卫星视频车辆数目估计方法 | |
CN116630932A (zh) | 一种基于改进yolov5的道路遮挡目标检测方法 | |
CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN114973199A (zh) | 一种基于卷积神经网络的轨道交通列车障碍物检测方法 | |
CN115035159A (zh) | 一种基于深度学习和时序特征增强的视频多目标跟踪方法 | |
CN114596548A (zh) | 目标检测方法、装置、计算机设备及计算机可读存储介质 | |
CN117576149A (zh) | 一种基于注意力机制的单目标跟踪方法 | |
CN117456480A (zh) | 一种基于多源信息融合的轻量化车辆再辨识方法 | |
CN113076840A (zh) | 一种车辆后拍图像品牌训练方法 | |
CN117011728A (zh) | 基于改进YOLOv7的无人机航拍目标检测方法 | |
CN116363072A (zh) | 一种轻型航拍图像检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |