基于改進YOLOv5s的輕量化車輛目標檢測算法

舒騰輝，叢 屾

(黑龍江大學 機電工程學院，哈爾濱 150080)

0 引 言

近年來，基于深度學習的人工智能技術取得了重大突破，深度學習在各領域都有著良好表現[1-2]。自動駕駛在智能交通領域變得越來越受到關注。在自動駕駛領域中，主要的檢測對象是行駛在道路中的車輛，為了使自動駕駛在車輛目標檢測任務中有些良好的表現，針對車輛的識別和歸納顯得尤為重要[3]。

目前深度學習目標檢測的方法主要分為one-stage、two-stage和anchor free的檢測方法，針對two-stage檢測算法中預設anchor情況，冗余框較多的問題，提出了anchor free，以達到實時高精度。而one-stage檢測算法中的YOLO(You Only Look Once)[4-8]系列算法結合了anchor free，因此在車輛檢測任務中，主要使用one-stage檢測算法，相較于two-stage檢測算法，檢測速度更快，更適合對高速運行的車輛進行目標檢測。其中，YOLOv1-v3主要的網絡結構包括：負責特征提取的Backbone層、負責特征融合的Neck層，以及負責分類結果預測并輸出的Head層。YOLOv3算法在Neck部分借鑒了特征金字塔的思想，引入了自底向上的FPN結構，在3個不同的尺寸上分別進行預測[9]。YOLOv4和YOLOv5算法在YOLOv3的基礎上引入了自頂向下的PAN結構，即FPN+PAN相結合的形式，擴大了感受野，能夠獲得feature map的語義特征和位置信息。

在使用 YOLO 算法對車輛檢測時，由于YOLO 模型的內存較大，對YOLO算法的輕量化是當前的研究方向。Howard A G等[10]提出了滿足移動設備要求的高效模型MobileNets，采用深度可分離卷積構建輕量級網絡，將卷積過程分解為深度卷積、逐點卷積兩部分，實現通道內卷積和通道間卷積的分離，達到了減少模型參數量的目的；Liu W J等[11]利用深度可分離卷積設計了一種反殘差模塊，有效減少了模型計算量和存儲量?；魫矍宓萚12]提出了改進的YOLOv3算法對車輛目標進行實時檢測，其參數量比原有的減少了67%，提升了性能和效率。通過將深度可分離卷積引入YOLOv4-tiny的CSP架構。黃凱文等[13]成功地將網絡的參數量降低了52%，從而顯著改善了網絡的反應能力。王銀等[14]為了提升小目標車輛的檢測性能，同樣基于YOLOv4模型，在PAN結構中引入深度可分離卷積，同樣也將參數量減少了42%，提升了網絡響應速度。由此可見，輕量化網絡結構MobileNet在減少模型參數有良好的表現，因此引入了MobileNet系列的v3版本，提出了一種將YOLOv5s算法與MobileNetv3-Large輕量級網絡相結合的改進算法，提升其檢測速度并降低網絡的參數量。

1 輕量化網絡MobileNet

Google從2017到2019年相繼推出了輕量化網絡MobileNet系列，MobileNetv1[10]提出了深度可分離卷積，MobileNetv2[15]在這基礎上新增加了瓶頸殘差模塊，MobileNetv3[16]的網絡架構將深度可分離卷積[17]和線性瓶頸技術有機地結合在一起，以提升其效率和可靠性，SE[18](Squeeze and Excitation)注意力模塊以及h-swish函數的應用，提升了系統的運行效率。因此，本文采用MobileNetv3替換YOLOv5s的骨干網絡，以此減少參數量。

MobileNet系列算法通過改變傳統的卷積模型為深度可分離卷積模型，使其能夠更有效地處理復雜的問題，從而降低計算量和參數量，并且加快運行速度。深度可分離卷積由深度卷積和1×1的逐點卷積兩部分組成。通過使用濾波器和線性組合技術，可大幅度降低參數的復雜度，節省計算成本。

MobileNetv3網絡結構是該系列中最先進的算法，特點是模型尺寸小、參數量少，且精確度較高，能夠滿足多種復雜的分類、檢測、圖像分割等需求，并能夠在多種計算能力水平上得到良好的運行效果。作為基礎模塊的Bneck結構，采用1×1的卷積技術，可有效地提高維度，從而更好地利用高維空間中獲取的特征信息來進行深入研究；采用深度可分離卷積技術，并將SE模塊融入其中，以實現對各種通道的權重的有效調節，提高系統的性能和效率；采用1×1的卷積算法，可有效地減少維度，而當步長設定為1時，可對輸出和輸入進行殘差處理。Bneck結構見圖1。

圖1 MobileNetv3的Bneck結構Fig.1 Bneck structure of MobileNetv3

2 改進的YOLOv5s車輛檢測算法

YOLOv5s[6]基于回歸的One-Stage目標檢測算法。采用MobileNetv3-Large網絡取代YOLOv5s網絡中的骨干網絡CSPDarkNet53，以改善模型的性能，而其余部分則與原有模型保持一致，其結構見圖2。

圖2 YOLOv5s-M3網絡結構Fig.2 Network structure of YOLOv5s-M3

由圖2可見，YOLOv5s-M3在經過MobileNetv3之后，獲得的特征矩陣96×13×13先是通過1×1卷積，得到48×13×13的特征矩陣，再輸入到空間金字塔層(Spatial Pooling Layer，SPP)模塊，通過在3個并列的最大池化處中進行下采樣，由于每個步長均為1，因此得到的結果為48×13×13；然后，將結果與輸入該模塊的特征矩陣在深度上相加，得到182×13×13的特征矩陣；最后，使用96×96的卷積核進行卷積，使特征矩陣恢復為96×13×13。在頸部使用空間金字塔結構，特征金字塔[19](Feature Pyramid Network，FPN)自上向下傳達強語義(High-Level)特征，路徑聚合網絡[20](Path Aggregation Network，PAN)則自下向上傳達強位移(Low-Level)特征，兩者聯合，提高了特征信息提取能力。

YOLOv5s中含有3種損失函數，分別影響分類(cls_loss)、定位(box_loss)、置信度(obj_loss)。其中分類和置信度的損失函數采用的是BCE Blur With Logits Loss，為一種二元交叉熵損失函數；定位的損失函數采用的是CIOU[21]。

(1)

(2)

(3)

(4)

式中：b和bgt分別為預測框和真實框的中心點；ρ為計算兩個中心點之間的歐氏距離；c為用來描述一個可容納真實框和預測框的最小閉合區域，用來描述兩個框之間的距離。v為衡量真實框和預測框相對比例的一致性；α為權重系數，不僅包含了面積交并比IOU，還包含了更多的考慮因素，這些因素構成了αv。

CIOU可準確地反映出物體的長寬比，但精確性取決于物體的位置和置信度，因此，如果忽略了這些因素，可能導致檢測出現偏差。因此，采用EIOU[22]損失函數，EIOU是在CIOU基礎上的改進，增加了長度與寬度的損失，以彌補CIOU的不足。表達式為

(5)

3 實驗分析

3.1 實驗數據集

實驗數據集的選擇：UA-DETRAC[23]數據集是取景于北京和天津的道路過街天橋。其中訓練集約82 085張圖片，測試集約56 167張圖片，該數據集可用于多目標檢測和多目標跟蹤算法開發。實驗所選取其中6 000張圖片組成一個新的數據集UA-DETRAC-P，并將其按照6∶2∶2的比例將其劃分為訓練集、驗證集和測試集。

3.2 實驗環境與參數

實驗在Windows 10系統中進行，選用型號為NIVIDA GeForce RTX3060的圖形處理器(Graphics Processing Unit，GPU)，加速環境為 CUDA 11.3，CUDNN8.2.1。在模型實驗參數的中，設置迭代次數為200次，學習率為0.001，batch size為4。

3.3 評價指標

在實驗過程中與不同算法的性能進行比較，主要評價指標是從平均精準率均值(Mean Average Precision，mAP)和檢測速度(Frames Per Second，FPS)進行對比。在目標檢測過程中，T和F表示分類是否正確，P和N分別表示正樣本和負樣本，TP(True Positives)表示正樣本被正確識別，TN(True Negatives)表示負樣本被正確識別，FP(False Positives)表示誤測的負樣本，FN(False Negatives)表示漏測的正樣本。AP(Average Precision)為平均精度，即PR曲線上各精度值的平均值，表達式為

(6)

對于每個類別，按照上述方法計算AP值，并取所有待映射類別AP值的平均值：

(7)

精確率和召準率分別為

(8)

(9)

3.4 結果與分析

通過采用UA-DETRAC-P數據集對模型進行訓練，并且針對改進步驟進行消融實驗，通過對比參數量、mAP值和FPS來證實算法改進的有效性。通過采用優化骨干網絡、調整損失函數以及將兩種技術有機地結合，并對其采用消融實驗進行驗證分析，結果見表1。

表1 不同改進方法對算法性能的提升

由表1可見，針對骨干網絡進行MobileNetv3的輕量化優化，模型的檢測速度從30幀/s提升到了33幀/s，對損失函數的優化之后，mAP值從83.27%提升到了83.35%，且檢測速度從30幀/s提升到了33幀/s，將兩種優化結合在一起后的YOLOv5s-M3相較于YOLOv5s，其檢測速度從30幀/s提升到了37幀/s，且參數量從7.33 M減少到了6.41 M，實驗證明本文的改進方法有一定的提升效果，檢測可視化結果見圖3。

圖3 YOLOv5s-M3檢測結果圖Fig.3 Detection result graph of YOLOv5s-M3

將YOLOv5-M3算法與其他輕量化算法進行比較，結果見表2。

表2 不同算法的AP、mAP對比

由表1和表2可見，提出的YOLOv5-M3算法相較于YOLOv5s算法來說，mAP值雖然有0.34%的降低，但是參數量減少了0.92 M，檢測速度增加了7幀/s。并且YOLOv5-M3算法相比于輕量化算法YOLOv5-lite在測試集中的訓練結果來說，提出的改進方法有著較好的檢測精度。

4 結 論

針對車輛檢測算法對于小目標檢測較困難的問題，基于YOLOv5算法，通過使用MobileNetv3網絡結構替換原有的骨干網絡結構，使用EIOU函數改善損失函數，降低模型的復雜度，減少模型的參數量，提升模型的檢測速度，并經過實驗驗證，優化后的YOLOv5s-M3算法的mAP值較其他輕量化算法更加出色，并且具備更強的魯棒性。