摘要：针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。

摘要：针对道路车流量大、车型识别速度慢等问题,提出了一种改进YOLOv7-GCA的车型快速识别方法。首先,采用参数量更小、检测速度更快的轻量化卷积GhostConv替换网络中的普通卷积Conv,以提高车型识别速度;其次,为了保证模型的识别精度,在进入颈部前引入CA注意力机制模块。实验结果表明,YOLOv7-GCA模型在保证识别精度的前提下,减少了模型的参数量和复杂度,提高了车型识别速度。