基于注意力机制的 YOLOv5 优化模型

来源：计算机技术与发展杂志2023年第12期北京时间：

作者：潘烨新;';黄启鹏;';韦超;';杨哲;'

单位：1. 苏州大学 计算机科学与技术学院,江苏 苏州 215006;2. 省计算机信息处理技术重点实验室,江苏 苏州 215006

摘要：目标检测是机器视觉研究中的重要分支。 目前在工业生态中应用广泛的 YOLOv5 模型经过版本迭代,在预测权重大小以及检测精度方面都有所优化,但模型的处理速度仍然较低,尤其是对于小目标及遮挡目标的检测效果有待改进。该文提出一种基于注意力机制的 YOLO v5 改进模型。 首先,通过引入维度关联注意力机制模块进行特征融合,提升主干网络的特征提取能力,达到改善小目标与遮挡目标的检测效果;其次,采用 SIoU 损失函数代替 CIoU 损失函数,作为新的边界框回归参数的损失函数,提高边界框的定位精度以及检测速度。 实验结果显示,优化模型的平均精度均值达到 87. 8% ,相比于 YOLOv5 提高了 4. 7 百分点,在单 GPU 上模型的检测速度达到 83. 3 FPS。

关键词：机器视觉;深度学习;目标检测;注意力机制;损失函数