改进YOLOv4-tiny网络的日用商品目标检测算法

来源：计算机应用与软件杂志2024年第11期北京时间：

作者：王林枫, 左云波, 徐小力, 周可鑫, 范博森

摘要：针对基于移动平台的商品图像检测算法存在硬件要求高、模型复杂且精度低等问题，提出一种YOLOv4-tiny改进网络，减少网络参数与模型尺寸，提高网络精度，构建更高效的网络。将原有标准卷积替换为点卷积与逐深度卷积，特征提取使用CG模块，降低网络模型计算损耗。特征融合时，在原有特征金字塔(Feature Pyramid Networks，FPN)基础上添加PANity模块，缩短高低间卷积层的跨度。使用CSPConcat结构对此前各层融合特征进行特征优化处理，提高各层间特征融合的能力。利用k-prototypes算法优化日用商品数据集先验框的尺寸与数目。通过在darknet深度学习框架下，对日用商品数据集进行实验，得出改进后的算法平均精度(mAP)为98%，召回率为97%，较原网络提升了2.4百分点和2百分点，网络模型计算量较原网络降低了40.4%，模型存储文件缩小了55.9%。改进后的网络模型更轻量化、准确率更高，更加适用于部署在无人结算环节的低硬件水平嵌入式设备中。

关键词：新零售, 嵌入式, 目标检测, 日用商品, YOLOv4-tiny