CN116797910B 基于分组快速空间金字塔池化的轻量化yolo模型目标检测方法 （江苏金海星导航科技有限公司）

ConferenceonInformation,Communication基于分组快速空间金字塔池化的轻量化本发明公开一种基于分组快速空间金字塔空间金字塔池化结构GFSPP；步骤2)利用通道空间意力模块(CBAM)和GFSPP结构，构建基于分组快速空间金字塔池化结构的主干网络模块建轻型颈部网络模块Ghost-Slim-Neck；步骤4)法能够大幅度提升主干网络模块特征提取能力21.一种基于分组快速空间金字塔池化的轻量化YOLO模型目标检测方法，其特征在于，并将输出特征图与原特征图的另一个分支即经过一个卷积核大小为1×1的分组卷积层进步骤2:利用通道空间注意力模块CBAM和GFSPP结构，构建基于分组快速空间金字塔池C3模块的操作具体是首先，将原输入分为两个分支，分别在上述基础特征提取模块后连接步骤1所描述的GF络模块的顺序，将步骤2、步骤3以及检测头网络模块依次串联成为轻量化目标检测模型32.根据权利要求1所述的一种基于分组快速空间金字塔池化的轻量化YOLO模型目标检轻型颈部网络模块Ghost-Slim-Neck将主干网络模块GFSPP-Backbone的三种尺度的输GhostConv模块由一个CBS模块和一个DWConv模块组成，将原特征图先经过一个CBS模只是替换其中的GhostBottleneck模块，而GhostBottleneck模块是由两个串联的GhostConv模块和一个并行的DWConv模块进行元素相3.根据权利要求1所述的一种基于分组快速空间金字塔池化的轻量化YOLO模型目标检Box,检测置信度Conf和输出类别Class三种目标检测结果参数，实现轻量化目标定位与识4基于分组快速空间金字塔池化的轻量化YOL[0001]本发明涉及一种基于分组快速空间金字塔池化的轻量化YOShuffleNet以及GhostNet，旨在保持检测精度的同时减少模型的参数量和计算量。其中，MobileNet采用DWConv代替Conv降低模型的参数量和计算量。ShuffleNet使用通道混洗的备环境依然能够保持较强的鲁棒性和有效识[0007]步骤1:利用跨阶段局部网络和分组卷积，构建分组快速空间金字塔池化结构[0008]步骤2:利用通道空间意力模块(CBAM)和GFSPP结构，构建基于分组快速空间金字塔池化结构的主干网络模块GFSPP-Ba5支进行通道拼接后再进行一个CBS操作，使得特征图在进入C3模块之后确保输入和输出是[0024]轻型颈部网络模块Ghost-Slim-Neck将主干网络模块GFSPP-Backbone的三种尺度(Concat)模块和两个上采样(Upsample)6后将两个分支进行通道拼接作为GhostCon两个串联的GhostConv模块和一个并行的DWConv模块进位框Box,检测置信度Conf和输出类别Class三种目标检测结果参数，实现轻量化目标定位[0038]图6为本发明轻型目标检测网络与其他轻量化检测模型在目标检测精度和及模型7[0042]步骤101：利用跨阶段局部网络和分组卷积，构建分组快速空间金字塔池化结构[0043]如图2所示，分组快速空间金字塔池化结构GFSPP(GroupFastSpatialPyramid[0047]步骤1-4最后，拼接后的特征图再经过一个卷积核大小为1×1的分组卷积层输为两个分支，分别进行卷积操作使得通道数减半，然后一个分支进行CBS操作，再经过8[0058]步骤3-3其中，C3Ghost模块主要由三个CBS模块和一个GhostBottleneck模块组是由两个串联的GhostConv模块和一个并行的DWConv模块进行元[0061]图6给出了本发明的轻量化模型与其他轻量化模型，包括YOLOv5s、YOLOv5-GSConv-Slim-Neck、YOLOv5-ShuffleNetv2、YOLOv5-MobileNetv3、YOLOv5-GhostNet在验都在Intel(R)Xeon®Silver4214CPU2.20GH中进行，该服务器的系统为Ubuntu9秒传输帧数(FPS)来分别表示模型含有多少参数、复杂度以及推理速度。采用mAP0表1给出了本发明提出的轻量化模型与其他轻量化模型的ModelGFLOPSmAP0.5mAP0.5:0.95FPSYOLOv5s16.07.060.7890.527YOLOv5s+MobileNetv36.43.590.7030.429YOLOv5s+ShuffleNetv28.13.840.7330.460YOLOv5s+GhostNet8.23.730.7880.538YOLOv5s+GSConv+Slim-Neck12.85.890.7910.55114.46.810.8090.5