改进YOLOv5s的复杂交通场景下目标检测算法

来源：电子测量技术杂志2024年第2期北京时间：

作者：卫策，吕进，曲晨阳

单位：长安大学信息工程学院 西安 710018

摘要：针对在实际的交通道路目标检测中，存在着小目标检测精度低，遮挡目标容易出现漏检误检等问题，提出了一种改进的YOLOv5s道路目标检测算法YOLOv5s-OEAG。将YOLOv5s的标签分配策略更换为效率更高的OTA标签分配策略，提高模型的检测精度与泛化能力；提出了一种轻量化的解耦预测头对不同尺寸的特征层进行分类任务与回归任务的解耦，提高模型对道路中小目标的检测能力；将原始模型中的最近邻插值上采样模块替换为轻量级通用上采样CARAFE模块，有助于更好地保留图像中的细节信息，提高模型的精度；提出了一种新的C3模块GMC3，在减小模型计算量的同时提高模型捕获特征的能力；为了提高模型的泛化能力，对KITTI数据集进行了扩充，增加了小目标的数量。实验结果表明，改进后的模型在经过扩充后的KITTI数据集的mAP达到了90.4%，比原始模型的精度提高了2.8%；FPS为75，满足实时性的要求，在一定程度上提高了对复杂交通场景的适应能力。

关键词：目标检测;YOLOv5s;深度学习;轻量化解耦头;CARAFE上采样