[1]张洪伟,曹 民,熊国斌,等.基于改进YOLOv5神经网络的 道路检测车辆前方障碍识别方法[J].内蒙古公路与运输,2023,(03):28-31.
点击复制

基于改进YOLOv5神经网络的 道路检测车辆前方障碍识别方法
分享到：

《内蒙古公路与运输》[ISSN:1005-0574/CN:15-1157/U]

卷:
期数:
2023年03期
页码:
28-31
栏目:
公路工程
出版日期:
2023-06-30

文章信息/Info

作者:
张洪伟1 ; 曹 民2 ; 熊国斌3 ; 熊启高4 ; 刘万春3 ; 刘 哲5 ; 惠 冰5
1. 内蒙古自治区交通运输科学发展研究院，内蒙古 呼和浩特 010051； 2. 武汉光谷卓越科技股份有限公司，湖北 武汉 430000； 3. 四川公路桥梁建设集团有限公司，四川 成都 610041； 4. 蜀道投资集团有限责任公司，四川 成都 610095； 5. 长安大学，陕西 西安 710064
关键词:
前方车辆; 目标检测; 神经网络; YOLOv5
摘要:
针对在嵌入式设备上部署神经网络模型存在受限于设备体积与计算性能的影响而难以保证神经网络模型的推 理实时性的问题，提出了一种基于YOLOv5-nano的前车检测改进方法（HS-YOLO）。首先，采用硬拟合函数h-swish来取代 SiLU激活函数，在激活关系相似的情况下提高模型推理速度；此外，引入SIOU边界框回归损失来替代CIOU损失，提高模型的 训练速度与推理精度。为进一步验证改进模型的性能，使用SSD、YOLOv4-tiny、基础模型YOLOv5-nano与改进的HS-YOLO 网络在相同训练条件下进行训练，得到最优模型并在测试集上进行推理测试。结果表明：HS-YOLO模型的精确率、召回率 及AP0.5较原模型YOLOv5-nano分别提升了0.76%、0.43%、0.41%；在推理速度方面，HS-YOLO模型的单张图片推理耗时为 7.8 ms，实时推理帧数为128 FPS，在所有模型中表现最优，较原模型分别提高了0.7 ms和10 FPS。
更新日期/Last Update: 2023-06-29