基于YOLOv4-GS检测算法的服装识别方法

针对服装检测中检测模型体积大、运算量高,难以适应后续嵌入式平台环境的需要,本文提出了一种高效的YOLOv4-GS算法,极大降低了检测模型的规模。首先对数据集使用K-means聚类方法获得初始候选框,再融合Ghost模块和SimAM注意力机制组成GS模块,然后利用GS模块重构YOLOv4网络得到更轻量、更高效的YOLOv4-GS模型。实验结果表明:对比原生YOLOv4网络,在DeepFashion2数据集和相同环境下,YOLOv4-GS模型骨干网络浮点运算量减少48.33%,参数量减少49.63%,模型大小降低了33.12%,mAP达到67.8%,提升了2.1%。