基于YOLOv5的静态手势识别检测模型

针对实时手势检测需求,提出一种基于YOLOv5的手势识别算法。通过采用轻量级主干网络MobileNetV3替代YOLOv5s中的CSPNet-53,优化后的主干网络整合了深度可分离卷积与SE注意力机制,形成模型M_YOLO_N(Mo⁃bileNet_YOLOv5_NewIou)。与原始模型相比,M_YOLO_N的参数量减少了33%,计算复杂度(GFLOPs)降低了54%,在自制手势数据集上的mAP@0.5提升了2.4%。该模型不仅实现了轻量化,而且有效解决了实时检测问题。针对多尺度手势检测,保留SPPF模块,并引入归一化高斯瓦伦汀距离(NWD)技术,提出新的边界框损失函数NewIoU。在不增加参数的前提下,改进后的模型在多尺度手势检测中的置信度提升了20%。