基于模型压缩的轻量化障碍物检测模型研究

路面障碍物检测是智能导盲系统的核心功能之一。针对基于YOLOv5s的障碍物检测模型复杂度高、推理速度慢等问题,引入轻量级网络MobileNet作为主干特征提取网络,并嵌入CBAM模块弥补精度损失。为进一步优化性能,提出一种先剪枝再蒸馏的模型压缩方案。实验结果表明,经过压缩后的模型参数量为2.99 M,在GPU和CPU上的推理速度分别为113.64和9.67FPS,参数量约为YOLOv5s的42.2%,该模型能满足障碍物检测任务的实时性要求。