轻量化YOLOv4的车辆目标检测研究  

Research on Vehicle Target Detection of Lightweight YOLOv4

作　　者：廖航 霍爱清[1] 王泽文 

机构地区：[1]西安石油大学电子工程学院,陕西西安710065

出　　处：《工业控制计算机》2023年第3期98-100,104,共4页Industrial Control Computer

基　　金：陕西省科技厅一般工业项目“基于深度强化学习的导向钻井工具智能控制策略研究”(2020GY-152);陕西省教育厅基金项目“钻井工程的VR沉浸场景动态仿真系统研究”(17JS108);西安石油大学研究生创新与实践能力培养项目(YCS22113108)。

摘　　要：针对YOLOv4模型在目标检测过程中参数量和计算量较大而导致实时性不佳的问题,提出了一种轻量化模型L-YOLOv4(Light YOLOv4)。该模型以YOLOv4特征金字塔结构和多尺度检测为基础,对模型结构进行了整体的优化和改进,采用MobileNetV2网络代替主干特征提取网络,同时用深度可分离卷积替换加强特征提取网络的普通卷积,从而达到减少网络参数量的目的。实验时对UA-DETRAC车辆数据集进行了基于旋转不变性下的数据增强,以缩小图像预测框与真实框之间的误差。多模型对比实验结果表明,L-YOLOv4模型相较于其他常用的轻量级检测模型有着更小的参数量和更快的FPS,与YOLOv4模型相比,参数量减少了83.21%,FPS增加了11帧,并减少了车辆漏检情况。A lightweight model L-YOLOv4(LightYOLOv4)is proposed in this paper to solve the problem of poor real-time performance caused by the large number of parameters and calculation of YOLOv4 model in the process of target detection.Based on the YOLOv4 feature pyramid structure and multi-scale detection,the model structure is optimized and improved as a whole.MobileNetV2 network is used to replace the main feature extraction network,and the deep separable convolution is used to replace the ordinary convolution of the feature extraction network,so as to reduce the number of network parameters.In the experiment,the UA-DETRAC vehicle data set is enhanced based on rotation invariance to reduce the error between the image prediction frame and the real frame.

关 键 词：车辆检测 YOLOv4模型 深度可分离卷积 MobileNetV2网络 数据增强 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术] U495[自动化与计算机技术—计算机科学与技术]