[发明专利]基于轻量化YOLOv5的生活垃圾分类方法及APP

说明书

本发明提供了一种基于轻量化YOLOv5的生活垃圾分类方法及APP，面向移动端设备手机设计部署，以原始的目标检测网络YOLOv5n为基线网络，采用引入ShuffleNetv2中的shuffle_block、GhostNet的Ghost模块、引入注意力机制SE以及知识蒸馏等技术手段，结合网络结构设计和知识蒸馏对基线网络实现轻量化，轻量化后的YOLOv5n模型相比原始的YOLOv5n模型，在很大程度上减少了模型的参数量和计算量以及提升了检测精度，将轻量化后的YOLOv5模型部署至移动端的生活垃圾分类APP中，可以实现对多种生活垃圾智能分类。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于轻量化YOLOv5的生活垃圾分类方法及APP。

背景技术

近年来，计算机视觉一直是科学界与工业界的研究热门点，作为计算机视觉中的基本视觉识别问题，目标检测在过去的几十年中得到了广泛地研究。目标检测是对图像或视频中的目标进行分类和定位的任务。目前，目标检测方法主要分为两类，分别是两阶段目标检测方法和一阶段目标检测方法。两阶段目标检测方法，例如FasterR-CNN和CascadeR-CNN和DetectoRS等。一阶段目标检测方法典型代表是YOLO系列以及SSD。两类目标检测方法各有优势：两阶段算法相对而言精度更高，尤其体现在定位上，而一阶段算法的速度普遍更快，更容易满足实际应用场景中的实时性需求。

目前人工智能技术应用的另一个重要趋势是在端侧平台上部署高性能的神经网络模型并能在真实场景中实时运行，如移动端/嵌入式端设备。然而现有的这些端侧平台的特点是内存资源少，处理器性能不高，功耗受限，这使得目前精度最高的模型由于对内存和计算资源的超额要求，使得其根本无法在现有的端侧平台上面部署且达到实时性的要求。为了使模型落地应用，需要设计轻量型网络结构或者通过知识蒸馏（DeepCompression）、剪枝(NetWorkPruning)、量化(ModelQuantization)等技术减少模型参数、计算量。大多数的模型压缩方法是在分类模型上进行的。常见的分类模型通常输入分辨率小、模型结构简单，而目标检测模型通常有着更大的输入分辨率，同时网络结构也更加复杂。目标检测模型可能还包括多个输入，以及一些后处理过程，这些都对模型压缩算法的设计提出了更高的要求。如果要在移动端部署目标检测网络，通常需要更浅的模型深度，更少的卷积核，但是不够深的网络模型往往在特征提取上不充分。因此一个平衡精度，检测速度和模型复杂度的目标检测网络显得至关重要。

目前生活垃圾分类主要面临以下问题：一是垃圾分类还是以人工分拣为主，因为人主观判断的不同造成分类错误从而导致无法从源头实现垃圾分类；二是智能分类垃圾桶尚未普及，而且现有智能垃圾分类系统一般采用的模型算法无法同时对多种垃圾进行分类，效率低下。此外，目前基于深度学习的生活垃圾分类方法针对的垃圾类别较少。如果提出一种方法能够快速便捷的区分日常生活垃圾属于可回收物、有害垃圾、厨余垃圾还是其他垃圾，就能够很大提高生活垃圾分类效率以及积极性。

发明内容

本发明的目的在于针对上述现有技术中的不足，提供一种基于轻量化YOLOv5的生活垃圾分类方法及APP，将轻量化目标检测网络在手机部署以实现日常生活垃圾的分类。

本发明采用以下技术方案实现：

一种基于轻量化YOLOv5的生活垃圾分类方法，包括下列步骤：

S1、对生活垃圾数据集进行预处理，并将其划分为训练集、验证集和测试集；

S2、将原始的YOLOv5n目标检测模型的Backbone替换为ShuffleNetv2的Backbone，得到初步轻量化的YOLOv5n模型；

S3、使用COCO数据集对步骤S2得到的YOLOv5n模型进行训练得到训练权重best1.pt；

S4、使用步骤S1选取的训练集和验证集对原始的YOLOv5s进行训练得到训练权重best2.pt，然后将best2.pt作为教师模型并使用步骤S3得到的best1.pt作为预训练权重对步骤S2得到的YOLOv5n模型进行知识蒸馏后得到训练权重best3.pt；