针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺...针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。展开更多
为满足仿生机器鱼目标检测的需要,在YOLOv5基础上提出了一种轻量级检测算法,降低算法复杂度并提高精度。首先对YOLOv5s模型进行改进,通过GhostConv和C3Ghost模块降低参数量和计算量。其次,引入CA和CoordConv模块增强特征提取和目标位置...为满足仿生机器鱼目标检测的需要,在YOLOv5基础上提出了一种轻量级检测算法,降低算法复杂度并提高精度。首先对YOLOv5s模型进行改进,通过GhostConv和C3Ghost模块降低参数量和计算量。其次,引入CA和CoordConv模块增强特征提取和目标位置感知能力,采用soft NMS减少使用传统非极大抑制(Non maximum suppression,NMS)带来的漏检、误检,同时使用MPDIoU简化相似性比较,提升检测精度和召回率。最后,所提出方法在目标检测数据集上的试验结果表明,改进的YOLOv5网络体积更小、精度更高,证明了该算法的有效性和优越性。展开更多
文摘针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。
文摘为满足仿生机器鱼目标检测的需要,在YOLOv5基础上提出了一种轻量级检测算法,降低算法复杂度并提高精度。首先对YOLOv5s模型进行改进,通过GhostConv和C3Ghost模块降低参数量和计算量。其次,引入CA和CoordConv模块增强特征提取和目标位置感知能力,采用soft NMS减少使用传统非极大抑制(Non maximum suppression,NMS)带来的漏检、误检,同时使用MPDIoU简化相似性比较,提升检测精度和召回率。最后,所提出方法在目标检测数据集上的试验结果表明,改进的YOLOv5网络体积更小、精度更高,证明了该算法的有效性和优越性。
