[发明专利]一种用于交通信号灯检测的改进型YOLOv5n模型

权利要求书

1.一种用于交通信号灯检测的改进型YOLOv5n模型，其特征在于：使模型轻量化、训练和推理速度更快，提高模型的鲁棒性，使模型对于输入数据中的干扰或噪声能够保持相对稳定的预测结果，使其更加适用于复杂多变的现实场景；具体优化方法的步骤包括：

S1、获取待检测图像数据集，进行数据预处理，分为训练集和测试集；

S2、在YOLOv5n模型head层中的卷积核为3、步长为2的Convolution卷积换成involution卷积；

S3、改进YOLOv5n模型C3模块中的Bottleneck，引入深度可分离卷积网络和FReLU激活函数组成MN_Bottleneck；

S4、数据集训练该检测模型，使用训练好的检测模型进行交通信号灯检测，对检测结果进行评价。

2.根据权利要求1所述的一种用于交通信号灯检测的改进型YOLOv5n模型，其特征在于：所述的待检测图像数据集采用交通信号灯数据集S2TLD，以“red”、“yellow”、“green”、“wait_on”4个类别的关键词搜索得到各种各样的道路场景和典型的图片数据，得到图片数据集；对图片数据集进行数据清洗，针对爬取到的数据进行去除已损坏图像、去除重复图像、去除非关键字图像操作。

3.根据权利要求2所述的一种用于交通信号灯检测的改进型YOLOv5n模型，其特征在于：步骤1所述的分为训练集和测试集是在图像数据清洗之后对数据集打标注工作，将数据集按照8:2划分为训练集和测试集。

4.根据权利要求1所述的一种用于交通信号灯检测的改进型YOLOv5n模型，其特征在于：步骤2所述的YOLOv5n模型head层用Involution卷积取代输入通道和输出通道一致的convolution模块；具体的操作方式为：

第一步：修改common文件，向其中放入involution模块；

第二步：修改YOLO文件，在YOLO的parse_model函数中，加入involution模块；

Involution卷积将输入张量分解为两个子张量，并对其中一个子张量进行非线性变换，然后再将两个子张量合并；该操作可以由以下公式表示：

式中：x_j是输入张量的第h个元素，y_i是输出张量的第i个元素，w_ij和b_ij分别是involution卷积中的权重和偏置，k是块的总数；这种非线性变换的形式类似于ReLU激活函数，在子张量上进行。

5.根据权利要求1所述的一种用于交通信号灯检测的改进型YOLOv5n模型，其特征在于：步骤3所述的改进YOLOv5n模型C3模块中的Bottleneck是在原YOLOv5n模型C3模块的Bottleneck中引入DW卷积，具体的操作方式为：

步骤a：修改common文件，在其中添加Conv_FReLU、MN_Bottleneck和MN_C3模块；

步骤b：修改YOLO文件，在YOLO的parse_model函数，加入MN_C3模块；

步骤c：在models文件夹下新建yolov5n-MN.yaml文件；

步骤d：将train.py中原yaml文件改为上一步的yolov5n-MN.yaml文件即可训练。

6.根据权利要求5所述的一种用于交通信号灯检测的改进型YOLOv5n模型，其特征在于：步骤a所述的MN_Bottleneck由一个1×1卷积、一个DW卷积和一个1×1卷积组成；所述的DW卷积为深度可分离卷积将每个输入通道与一个独立的卷积核进行卷积操作；该操作由以下公式表示：

式中，m为卷积核在第m行，n为卷积核在第n列，x_{(i*8+m),(j*8+n),k}为输入特征图在第(i*8+m)行、第(j*8+n)列、第k个通道上的像素值，w为权重值。