针对当前船舶检测模型复杂度高、对设备资源要求较高等问题,提出一种基于YOLOv5s的船舶目标检测算法SRE-YOLOv5s.该算法使用ShuffleNetV2轻量级网络替换YOLOv5s原始特征提取主干网络降低模型复杂度,并使用感受野模块(Receptive Field Bl...针对当前船舶检测模型复杂度高、对设备资源要求较高等问题,提出一种基于YOLOv5s的船舶目标检测算法SRE-YOLOv5s.该算法使用ShuffleNetV2轻量级网络替换YOLOv5s原始特征提取主干网络降低模型复杂度,并使用感受野模块(Receptive Field Block,RFB)增强算法特征处理能力,考虑到Complete IoU(CIoU)损失函数会影响模型收敛速度,采用Efficient IoU(EIoU)损失函数进行优化.通过对SRE-YOLOv5s算法进行训练和验证,结果表明:SRE-YOLOv5s在轻量化的同时保证了检测精度,与其他主流轻量化检测模型相比,SRE-YOLOv5s具有更好的检测性能.此外,根据船舶可视化检测结果可知,SRE-YOLOv5s模型在实际场景中具有较大的应用潜力.展开更多
文摘针对当前船舶检测模型复杂度高、对设备资源要求较高等问题,提出一种基于YOLOv5s的船舶目标检测算法SRE-YOLOv5s.该算法使用ShuffleNetV2轻量级网络替换YOLOv5s原始特征提取主干网络降低模型复杂度,并使用感受野模块(Receptive Field Block,RFB)增强算法特征处理能力,考虑到Complete IoU(CIoU)损失函数会影响模型收敛速度,采用Efficient IoU(EIoU)损失函数进行优化.通过对SRE-YOLOv5s算法进行训练和验证,结果表明:SRE-YOLOv5s在轻量化的同时保证了检测精度,与其他主流轻量化检测模型相比,SRE-YOLOv5s具有更好的检测性能.此外,根据船舶可视化检测结果可知,SRE-YOLOv5s模型在实际场景中具有较大的应用潜力.