基于改进YOLOv5s的森林烟火检测算法研究

该文提出一种基于改进YOLOv5s的森林烟火检测算法,通过引入GSConv轻量化卷积和消除网格敏感度的策略,在原始YOLOv5s模型的基础上优化。在烟火数据集上进行广泛的实验,同时将改进的算法部署到无人机上进行真机测试。实验结果表明,经过改进的模型在森林烟火检测任务中取得显著的性能提升。模型的平均精度达到90.65%,且检测耗时仅为4.1 ms,满足烟火检测的高精度和实时性要求。这一研究为森林烟火检测算法的实际应用提供有力支持,具有重要的实际意义和应用价值。

基于改进YOLO v5的城市树木检测

针对城市道路环境复杂、草坪树木密集等引起的树木误检、漏检以及模型较大不易部署在边缘计算设备上等问题,提出一种基于改进YOLO v5的城市树木检测算法.算法引入融合注意力机制的双向加权特征金字塔结构BiFPN-ECA,减少冗余语义特征,增加特征融合网络对关键特征的关注度,提升特征融合质量;利用GSConv卷积替换Neck部分的密集卷积,提升特征提取能力并减少运算量;引入SIoU损失函数,通过加入向量角度这一惩罚项,减少与距离相关的变量,降低回归自由度,加快网络收敛,进一步提升回归精度.采集城市常见绿化树木的图像和视频,建立城市绿化树木样本集进行模型对比试验.试验结果表明,本文方法比初始YOLO v5模型的平均精度均值提升了5%,模型参数量减小为原来的50%,模型的帧率提升了5帧/s,兼顾了检测精度和实时性.

改进YOLOpose的轻量化多人姿态检测模型

二维人体姿态估计对安全生产、智能交互等研究都有重要的意义.针对目前的人体姿态估计模型计算量大、检测速度慢等问题,本文提出一种基于YOLOpose模型的轻量化改进算法.首先引入运算更精巧的GSConv卷积模块替换普通Conv卷积,大大降低模型计算量和复杂度;然后用CARAFE模块替换UPSample模块,完成上采样工作,同时引入CBAM注意力机制模块以避免模型轻量化带来的精度降低的问题.实验结果表明,YOLOpose模型经过上述轻量化改进后,模型体量降低为135.6MB,降低了约15.8%,GFLOPS降为了86.9,降低了约15.0%,模型计算量显著降低,再加入CBAM注意力机制对模型精度影响较小,改进后模型既可以保证识别的准确度,又可以实现检测算法的轻量化.