面向站口行人检测的改进型Yolov5s算法

针对现有站口行人检测方法难以在实时性与准确性之间均衡的问题,提出一种改进型的Yolov5s模型用于高效地检测站口行人.首先,基于EfficientNetV1改进提出轻量化主干网络EfficientNet_c,优化网络结构和基本单元堆叠次数,提高模型在浅层对小尺寸目标的特征提取能力和提取速度;其次,通过调整宽度因子为基础模型的1/2,改变模型特征层通道数,在较小的精度损失情况下降低模型参数量;再次,增加小目标检测层,优化模型特征提取能力,提高模型对小目标的敏感度和准确性;最后,利用迁移学习的方式优化模型,增强模型泛化能力,降低学习成本,进一步提升模型精度.在课题组收集的数据集上的实验结果表明,所提算法准确率为92.2%,模型参数量仅为1.4 M.在Tesla P100 GPU上的平均推理速度为7.7 ms,实现模型准确率和推理速度的提升.研究结果为地铁和火车站口的行人检测和流量统计提供了一种可行的解决方案.