[发明专利]一种适用于嵌入式平台的实时目标检测方法

说明书

本发明提供一种适用于嵌入式平台的实时目标检测方法，旨在解决面向嵌入式资源受限的边缘端计算平台上的实时目标检测问题，综合考虑了速度和精度最佳平衡并且实现了网络模型的轻量化，为实现嵌入式平台模型部署提供了可能。首先，综合考虑性价比，在四个特征尺度上进行预测，巧妙使用轻量化网络ShuffleNetv2在骨干网络部分构建轻量特征提取网络；然后，在颈部部分使用轻量化网络GhostNet对特征处理过渡以便于检测头的预测，并且过程中使用了CBAM双通道注意力机制抑制不利信息帮助提升模型的性能；最后使用了Alpha‑IoU作为损失函数指导模型训练得到最终的网络模型Alpha‑SGANet取得了最优的检测精度，并提出了小模型版本的网络模型Alpha‑SGAsNet取得了速度和精度的最佳权衡，实现了模型的轻量化。

技术领域

本发明涉及深度学习、目标检测的技术领域，具体涉及一种适用于嵌入式平台的实时目标检测方法。

背景技术

基于深度学习的目标检测方法性能优越，但因结构复杂，计算量大，难以在嵌入式和边缘移动端这样的平台上实时运行和部署。越来越多的研究人员开始关注深度学习实际应用的性能。移动平台上的实时通用目标检测是一项关键且具有挑战性的任务，基于深度学习CNN 的检测器需要巨大的计算成本，这阻碍了它们在计算受限情况下的推理。面对这一挑战，人们提出了一系列研究紧凑神经网络的方法，如网络剪枝、low-bit量化、知识蒸馏等这一类模型压缩的方法。此外，高效的神经网络结构能以较少的参数和计算量获得更高的精度，如何设计高效的CNN架构在边缘设备上提供高质量的服务成为了一个活跃的研究话题，这一类方法取得了很大成功并提出了很多创新的架构，如MobileNet、ShuffleNet、GhostNet等。结合轻量化网络的目标检测方法更适用于边缘平台，能有效减少模型参数的同时保证网络的精度。

在前几年时间里习惯于将目标检测划分为一阶段和二阶段的两种类别，一阶段通过直接预测回归出目标框的位置，能大大减少计算复杂度和加速模型的推理，这一类代表性的方法有YOLO系列和SSD等。该方法无疑能在很大程度上能提升检测速度，但是这种从目标检测流程上解决实时性问题的方法忽略了网络结构本身的复杂度，随着网络模型精度的提升，网路模型的参数成倍的增加，造成了巨大的计算负担，比如流行一时的YOLOv3生成的模型权重超过了240MB，最近很流行的YOLOv4的网络模型权重也超过了200MB，尽管 YOLOv5和YOLOx等工作在速度和精度权衡方面做出了巨大的进步。但在嵌入式和移动端这类计算资源受限的平台上实现部署并实时运行的算法还是尝试结合轻量化网络等的一系列方法，这些方法能有效保证精度的同时提高模型的速度和减少参数量，主要以围绕YOLO 和SSD展开提出了很多的变体，如YOLO-Nano，MobileNet-SSDLite等。在本发明中，同样尝试巧妙在骨干网络部分和颈部部分结合轻量化网络，综合考虑性价比，选择在四个特征尺度上检测并添加CBAM双通道注意力机制模块帮助提升模型的性能，结合最新的Alpha-IoU loss能保证速度的同时有效改善模型的检测精度。最终的网络模型Alpha-SGANet取得了最优的检测精度，并提出了小模型版本的网络模型Alpha-SGAsNet取得了速度和精度的最佳权衡，实现了模型的轻量化，为进一步在嵌入式平台上的实时运行提供了可能，为工程实践做出了巨大贡献。

发明内容

本发明要解决的技术问题是：提供了一种适用于嵌入式平台的实时目标检测方法，以解决面向嵌入式平台和边缘移动端实时目标检测的问题，旨在综合权衡速度和精度的同时实现模型的轻量化，具有重要的工程实践意义。

本发明采用的技术方案如下：一种适用于嵌入式平台的实时目标检测方法，该方法包括如下步骤：

步骤1、获取数据集：通过采集装置获取图像，通过标注工具对其人工标注，构建训练样本集、验证集和测试样本集或者从公开数据集获得训练样本集、验证集和测试样本集；

步骤2、数据预处理：使用随机翻转、光照变化、Mosaic和MixUp数据增强手段增加数据的多样性，使得模型适应数据的各种变换；