CN120298670A 基于YOLOv8n轻量化改进的辣椒花小目标检测方法及系统 （湖南农业大学）

号基于YOLOv8n轻量化改进的辣椒花小目标检本发明公开了基于YOLOv8n轻量化改进的辣失函数分别替换主干中的C2F卷积模块和原CIoU数，构建基于改进YOLOv8n的轻量化辣椒花小目标检测模型；基于训练集训练该小目标检测模优小目标检测模型，输出得到小目标检测结果；通过对YOLOv8n算法优化，提高了小目标辣椒花的检测平均精度均值，同时减少了算法的参数2YOLOv8n轻量化改进的辣椒花小目标检步骤3基于步骤1）中的训练集对基于YOLOvn8轻量化改进的辣椒花小目标检测模型2.根据权利要求1所述的基于YOLOv8n轻量化改进的辣第三EMA注意力机制模块；所述的GSConv(GSConvolution，轻量化卷积)模块包括第一3.根据权利要求1所述的基于YOLOv8n轻量化改进的连接的第一CBS卷积模块、第二CBS卷积模块、第一GSConv模块、第三CBS卷积模块、第二5.根据权利要求4所述的基于YOLOv8n轻量化改进的于，所述的第二GSConv模块和第一聚合模块(Concat)连接，所述的第三GSConv模块和第二聚合模块(Concat)连接，所述的SPPF模块分别和第一上采样模块(Upsample)、第四聚合模块(Concat)连接，所述的第一C2F模块和第三聚合模块(Concat)连接；所述的第二C2F模块YOLOv8检测头的初始设置，检测头直接利用颈部网络传递下来的特征信息准确执行目标检测任务。3流程1是对输入特征图进行标准卷积处理，即流程2是对输入特征图进行深度可分离卷积处理，即将输入特征图通过深度可分离流程4是对经流程3）拼接后的输入特征图进行混洗操作，进而打破输入特征图在通7.基于YOLOv8n轻量化改进的辣椒花小目标检测方第2.1步是在YOLOv8n模型的颈部网络引入三个EMA轻量化注意力机制，构建一种高效第2.2步是在YOLOv8的网络架构的骨干网络中集成GSCo第2.3步是基于CIoU损失函数构建WIoU损失函数，使用新构建的WIoU损失函数替换原进而设计明智的梯度增益分配策略，梯度增益分配策略在降低高质量锚框竞争力的同时，8.根据权利要求7所述的基于YOLOv8n轻量化改进的辣椒9.根据权利要求1或7所述的基于YOLOv8n轻量化改进的辣椒花小目标检测方法，其特4独立的路径分别抽取每个分割后的输入特征图的注意力权重第2.1.3步，通过二维全局平均池化对1×1和3×3两个路径的输出结果进行空间信息征图是通过结合两个独立得到的空间注意力权重来融合生成的，并通过应用Sigmoid激活12.根据权利要求7所述的基于YOLOv8n轻量化改进的辣椒花小目标检测方法，其特征5对比实验评价基于YOLOv8n轻量化改进的辣椒花小目标检测方法的有效性，具体为引入其中，TP表示模型将实际为辣椒花正确地预测为辣椒花，FP练，确定YOLOv8n适合小目标检测的精度及轻量化平衡的综合要求；通过引入EMA、SE和Biformer这三种不同的注意力机制模块，对YOLOv8n算法的颈部网络进行了一系列的改进67[0001]本发明涉及农业应用中的图像处理技术领域，具体为涉及一种基于YOLOv8n轻量[0003]当前，尽管以YOLOv8n为代表的单阶段目标检测技术在网络结构改进方面取得了一种旨在提升小目标检测精准度的同时对YOLOv8n进行轻量化改进的新方法，以实现模型[0004]本发明所解决的技术问题在于提供一种基于YOLOv8n轻量化改进的辣椒花小目标[0005]本发明所解决技术问题的基于YOLOv8n轻量化改进的辣椒花小目标检测方法及系8步骤3基于步骤1）中的训练集对基于YOLOvn8轻量化改进的辣椒花小目标检测[0007]本发明中，所述的基于YOLOv8n轻量化改进的辣椒花小目标检测模型包括主干网所述的主干网络包括依次连接的第一CBS卷积模块、第二CBS卷积模块、第一(Concat)、第二EMA注意力机制模块、第三C2F模块、第七CBS卷积模块、第四聚合模块[0008]本发明中，所述的第一GSConv模块、第二GSConv模块、第三GSConv模块和第四GSConv模块均包含深度可分离卷积模块，所述的深度可分离卷积模块工作的具体流程如流程1是对输入特征图进行标准卷积处理，即将输入特征图经过一个标准卷积流程2是对输入特征图进行深度可分离卷积处理，即将输入特征图通过深度可[0009]本发明中，所述的WIoU损失函数是一种用于目标检测任务的改进型损失函数，[0010]本发明中，基于YOLOv8n轻量化改进的辣椒花小目标检测系统包括数据集构建模所述的模型构建模块，是引入EMA轻量化注意力机制、GSConv模块用于优化9所述的模型训练模块，是基于训练集对基于YOLOvn8轻量化改进的辣椒花小目标[0011]与现有技术相比，本发明提供了一种基于YOLOv8n轻量化改进的辣椒花小目标检与高效多尺度EMA注意力机制进行相辅相成，缓解由于增加注意力机制带来的计算量提升图6为改进后的YOLOv8n检测算法和其它几种不同目标检测算法的实际检测差异[0014]参见图1~图6的基于YOLOv8n轻量化改进的辣椒花小目标检测方法，具体步骤如基于YOLOv8n轻量化改进的辣椒花小目标出特征图是通过结合两个独立得到的空间注意力权重来融合生成的，并通过应用Sigmoid激活函数来捕捉像素层面的相互关系，以捕捉像素级的成对关系并获取全局上下文信息，[0021]相比于传统的标准卷积模块，深度可分离卷积(DSC)的主要不足在于它在一定程产生的信息中,输入通道为C1，输出通道为C2,GSConv模块通过一个标准卷积将通道数增最终输出一个具有C2通道的特征图，这一过程有效地提升了特征间的信息流通和交互，度增益分配策略在降低高质量锚框竞争力的同时，也减少了低质量示例产生的有害梯度，上下文，通过分组卷积优化计算效率，精准定位单朵辣椒花并抑制枝叶遮挡抗干扰；P5层[0031]步骤3基于步骤1）中的训练集对基于YOLOvn8轻量化改进的辣椒花小目标检测流程1是对输入特征图进行标准卷积处理，即将输入特征图经过一个标准卷积流程2是对输入特征图进行深度可分离卷积处理，即将输入特征图通过深度可[0034]本实施例中，所述的WIoU损失函数是一种用于目标检测[0035]参见图7的基于YOLOv8n轻量化改进的辣椒花小目标检测系统包括数据集构建模所述的模型构建模块，是引入EMA轻量化注意力机制、GSConv模块用于优化所述的模型训练模块，是基于训练集对基于YOLOvn8轻量化改进的辣椒花小目标程充分展现了通过数据驱动的方法提升模型识别微基于YOLOv8n轻量化改进的辣椒花小目标检测系统实现了从模型学习到实际应用EMA轻量化注意力机制以及WIoU损失函数的的有效性，本实施例开展了消融实验和对比实验，这些实验旨在评估所提出的改进措施与其他现有改进方法对YOLOv8n模型性能的具体Precision,mAP在本次实验中，本实施例选用mAP@parameters=r"xaxv+w（8）[0042]本实施例中，通过引入EMA、SE和Biformer这三种不同的注意力机制模块，对为了评估YOLOv8n_ChiliFlower模型在辣椒花目标检测中的性能，将其与比YOLOv5s有所降低，但在模型大小、计算需求和检测速度方面都有了显著的改善，与YOLOv7tiny相比，YOLOv8n_ChiliFlower在所有关键性能指标上都展现出了优越性，与目标的检测效果得到了有效提升，在小目标检测上的召回率和平均精度上分别提高了0.9提高了检测性能，并且模型更加适合移动端部署；实验结果证实，与YOLO