[发明专利]一种用于交通信号灯检测的改进型YOLOv5n模型

说明书

一种用于交通信号灯检测的改进型YOLOv5n模型，优化方法的步骤包括：S1、获取待检测图像，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。本发明使模型轻量化、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。

技术领域

本发明涉及深度学习中目标检测技术领域，具体涉及一种用于交通信号灯检测的改进型YOLOv5n模型。

背景技术

目标检测是计算机视觉领域中的一个重要问题，它是指在一张图片或者视频序列中自动地检测出图片中出现的目标物体，并且对其进行定位和分类。在计算机视觉应用中，目标检测是很常见的一项任务，比如智能监控、自动驾驶、无人机和机器人导航、医学图像分析等等。近年来，随着深度学习的兴起和发展，基于深度学习的目标检测方法取得了很大的进步。例如：Faster R-CNN、YOLO、SSD、Mask R-CNN等，这些基于深度学习的目标检测方法在目标检测准确率和速度方面都取得了很大的进步，已经被广泛应用于各种计算机视觉领域的应用中。

YOLOv5n是一种目标检测模型，是YOLOv5系列中的一员，相较于YOLOv5原版，在保持高精度的情况下，大幅提升了检测速度。YOLOv5n采用了一系列优化策略，如精度损失小的前提下使用轻量化模型、通道注意力机制、密集连接模块等等，从而在目标检测任务中表现出色。具体来说，YOLOv5n使用的是CSPDarknet53作为骨干网络，使用通道注意力机制以增强模型的表达能力和减少计算量。此外，YOLOv5n在输入图像上进行金字塔多尺度特征提取，通过把低层特征和高层特征相结合来提高检测精度。此外，YOLOv5n还采用了密集连接模块，以更好地利用前面层的信息，增加了模型的深度和复杂度，从而进一步提高了精度。

虽然YOLOv5n相较于其它版本的YOLOv5表现更好，但它仍然存在一些缺点：YOLOv5n依赖于数据集的质量和多样性，如果数据集过于单一或者过小，可能会导致模型的泛化能力不足。对于一些极端情况，如物体遮挡、变形、光照不足等，YOLOv5n的检测效果也会有所下降。YOLOv5n相较于其它版本需要更长时间的训练，因为它有更多的层数和更大的网络容量，所以需要更多的计算资源和时间。

发明内容

针对YOLOv5n模型训练时间长、处理速度略慢、需要较高计算能力的技术问题，本技术方案提供了一种用于交通信号灯检测的改进型YOLOv5n模型，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；能有效的解决上述问题。本发明通过以下技术方案实现：

一种用于交通信号灯检测的改进型YOLOv5n模型，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。