YOLOv5能够快速、准确地检测目标,但检测精度和召回率较低,难以适用于复杂场景。基于此,文章提出一种基于改进YOLOv5的校园课堂实时监测人员方法。引入挤压激励(Squeeze and Excitation,SE)注意力机制,采用非最大抑制(Non Maximum Suppr...YOLOv5能够快速、准确地检测目标,但检测精度和召回率较低,难以适用于复杂场景。基于此,文章提出一种基于改进YOLOv5的校园课堂实时监测人员方法。引入挤压激励(Squeeze and Excitation,SE)注意力机制,采用非最大抑制(Non Maximum Suppression,NMS)改进,优化Mosaic增强数据对YOLOv5改进。实验结果表明,该方法的精准度、召回率、平均精度均值均优于对比模型,能够满足实际场景对校园课堂的检测要求。展开更多
文摘YOLOv5能够快速、准确地检测目标,但检测精度和召回率较低,难以适用于复杂场景。基于此,文章提出一种基于改进YOLOv5的校园课堂实时监测人员方法。引入挤压激励(Squeeze and Excitation,SE)注意力机制,采用非最大抑制(Non Maximum Suppression,NMS)改进,优化Mosaic增强数据对YOLOv5改进。实验结果表明,该方法的精准度、召回率、平均精度均值均优于对比模型,能够满足实际场景对校园课堂的检测要求。