改进YOLOV5目标检测模型的实时抽烟检测方法

抽烟目标的实时检测难以在实际场景中应用,主要原因是终端设备成本低,能够承载的模型计算量十分有限,难以同时兼顾精度与速度。为此,本文使用改进的YOLOV5目标检测模型,将其双向特征融合网络(FPN+PAN)替换为加权双向特征金字塔网络(BiFPN),增强网络的特征传递能力。实验结果表明,替换特征网络之后的YOLOV5s-BiFPN目标检测模型精度更高,AP 0.5达到91.7%,且模型的参数量、计算量以及FPS基本不变,满足应用在实际场景中进行实时抽烟检测的条件。

基于YOLOv5的实时抽烟检测研究

为了实现对公共场合中的抽烟行为的自动识别检测,提出了利用YOLOv5算法获取抽烟行为目标的方法。该实验使用python编程语言在pytorch上建立模型,训练模型,最终能对吸烟行为进行有效检测,对抽烟检测研究具有参考价值。