[发明专利]一种基于YoloV3和双阈值模型压缩的目标检测方法

说明书

本发明公开了一种基于YoloV3和双阈值模型压缩的目标检测方法，属于模型压缩技术领域。其包括：构建目标检测数据集，并划分训练集和测试集；使用YoloV3模型在训练集上面进行训练，将训练好的模型保存为YoloV3_N；使用YoloV3_N对验证集进行测试，将验证结果标记为Result_N；使用YoloV3_N模型在训练集上进行稀疏训练，将训练好的模型保存为YoloV3_S；使用双阈值模型压缩方法对YoloV3_S进行模型压缩，将压缩好的模型保存为YoloV3_C；使用YoloV3_C模型对验证集进行测试，将测试结果标记为Result_C；使用YoloV3_C模型在目标检测数据集上进行微调，将最终的模型保存为YoloV3_F；使用YoloV3_F模型对验证集进行测试，将测试结果标记为Result_F。本发明可以在基本不损失正确率的情况下进行模型压缩，解决机载目标检测部署问题。

技术领域

本发明属于模型压缩技术领域，主要涉及一种轻量化的目标检测方法，具体来说是指一种基于YoloV3和双阈值模型压缩的轻量化目标检测方法，可用于机载图像目标识别方案部署。

背景技术

当前无人机应用的趋势是利用原始勘察数据，实现机载信息的快速处理，进而对各种突发情况进行自主决策。因此，无人机在安全生产保障支援、突发自然灾害应急支援、突发治安事件智能救援等领域得到了广泛应用。然而，实时高效地机载信息信息处理成为了无人机实际应用的技术瓶颈。

目标检测是无人机机载信息处理的重要研究方向，同时也是计算机视觉的重要研究方向。近些年来，随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向基于深度学习的目标检测算法。目前，已有一系列相关算法被提出，如R-CNN、OverFeat、Faster R-CNN、SSD、Yolo系列等。在网络结构上，基于深度学习的目标检测算法已经从双阶段进化到单阶段，从单尺度网络进化到特征空间金字塔。这些算法都在目标检测领域取得了非常好的检测效果。其中，当前应用最为广泛的就是YoloV3模型。

然而，当下的基于深度学习的目标检测方法虽然有很强大的表示能力，也带来了很大的计算资源消耗。当下的目标检测模型在机载信息应用中收到了诸多限制：

1)模型尺寸，当下的目标检测模型优良的表示能力来自于数目众多的参数，而这些参数与网络架构信息一起，同样需要被保存在硬盘里，而且在进行推理时也需要被加载到内存中；

2)运行时间的内存消耗，在推理过程中，目标检测模型中的激活函数的值消耗了比保存模型参数更多的内存，这对于高性能GPU不成问题，但是对于移动端设备影响很大；

3)计算操作的数目，在高分辨图像的卷及操作是很消耗计算资源的，甚至一个较大的目标检测框架在移动端设备处理一张图片需要几分钟，严重限制了真实应用。

因此，实时高效地机载信息处理成为了无人机实际应用的技术瓶颈。

发明内容

本发明的目的在于针对上述问题，提出一种基于YoloV3和双阈值模型压缩的轻量化目标检测方法，解决目标检测方法在机载嵌入式端的部署问题。

为实现上述目的，本发明采用的技术方案为：

一种基于YoloV3和双阈值模型压缩的目标检测方法，包括如下步骤：

步骤1：构建目标检测数据集，并随机将其中的50％数据设置为训练集，剩余的50％数据设置为验证集；

步骤2：使用YoloV3模型在训练集上面进行训练，直至模型收敛，并将训练好的模型保存为YoloV3_N；

步骤3：使用YoloV3_N对验证集进行测试，并将验证结果标记为Result_N；

步骤4：使用YoloV3_N模型在训练集上面进行稀疏训练，直至模型收敛，并将训练好的模型保存为YoloV3_S；