基于特征蒸馏的改进Ghost-YOLOv5红外目标检测算法

针对红外目标检测模型YOLOv5s实时性差、计算复杂度高的问题,提出了一种基于特征蒸馏的改进Ghost-YOLOv5红外目标检测算法。首先,利用GhostNet模块作模型剪枝;其次,使用特征蒸馏方法以及Mosaic和Copy-paste两种数据增强方法提高模型的检测精度;第三,构建了一个包含多种场景下人、机动车和非机动车目标的红外安防领域数据集。在数据集上测试实验结果表明:所提算法利用Ghost模块得到的模型参数量仅1.9 M,并通过知识蒸馏和数据增强的方法,使得模型在红外数据集上的精度提升了6.6%,总体mAP达到了90.1%。在海思平台上实测,模型的检测速度能达到25帧/s,平均检测精度能达到90.2%,与多种可移植于该平台的常用模型相比,均取得了更高的检测精度。