基于改进YOLOv5s小目标检测算法

目的:针对现有目标检测算法进行小目标检测时检测效果不理想、漏检率高的问题,提出一种改进的YOLOv5s检测算法,提升小目标检测效果。方法:在原有模型基础上,引入BottleneckCSP模块并增加大尺度特征融合结构,提升模型小目标特征捕捉能力;同时在网络结构中融合SE注意力机制,使得网络自主学习更关注小目标特征通道,增强网络模型对小目标的检测效果。结果:在同一自制小目标检测数据集上进行训练验证,与已有算法比较,能够有效提升YOLOv5s目标检测算法的mAP值和训练收敛速度,拓展小目标检测范围(由原有算法的0.002 5~0.010 0缩小至0.000 8~0.001 4),提高小目标检测性能(平均检测率提升46%)。结论:改进算法能够有效提升小目标的检测能力。

基于YOLOv8的火灾烟雾检测算法研究

早期火灾预警为人类的生命财产安全提供有效保障,为了提高算法在复杂场景中对小火焰和烟雾的检测性能,对v8版本的YOLO算法进行改进,设计了一种轻量型的Fire-YOLOv8火灾检测网络。该网络在YOLOv8的基础上增加一个更小的目标检测层,并使用Focus层对输入图像进行切片操作,解决微小火焰检测的难题。在网络优化中,特征提取选用轻量级的BottleneckCSP模块,使用样本数据集进行迁移学习,更新网络参数,能够有效区分火焰、烟雾等干扰信息。实验结果表明:预训练生成的Fire-YOLOv8n火灾检测模型的精确率达到97.1%,mAP@0.5达到95.7%,检测速度达到192 FPS,模型大小仅为8.4 MB,综合性能得到明显提升,可以很好地满足嵌入式设备实时检测的应用需求。