基于Bottleneck的目标检测网络模型加速研究

针对YOLOv5的网络结构能降低模型复杂度,并解决数据不均衡问题,根据YOLOv5的结构特点,采取5种Bottleneck的替代方案,即IBN层、融合IBN层、Tucker卷积层、SPBottleneck和SEGBottleneck。实验基于COCO数据集,实验结果表明与改进前的Bottleneck相比,所提的IBN层、Tucker卷积层以及SEGBottleneck对模型的复杂度都有明显降低。模型规模分别减小了24.5%、22.5%和20.0%,模型运行速度分别提升了3.0%、3.8%和1.5%。基于Traffic数据集数据不均衡实验的结果表明:空间不均衡问题可以通过引入Focal EIoU解决;选择合适超参数能够加速模型的收敛,解决类别不均衡问题。