针对目前无法实时准确地监测工人是否佩戴安全帽的问题,提出一种基于YOLOv5s的多场景安全帽佩戴检测算法(YOLOv5s-SDSNR)。首先,在YOLOv5s基础上采用最优传输理论将局部匹配策略改进为全局匹配策略,增加正样本的数量,使模型更有针对性训...针对目前无法实时准确地监测工人是否佩戴安全帽的问题,提出一种基于YOLOv5s的多场景安全帽佩戴检测算法(YOLOv5s-SDSNR)。首先,在YOLOv5s基础上采用最优传输理论将局部匹配策略改进为全局匹配策略,增加正样本的数量,使模型更有针对性训练;然后,利用解耦检测头对分类和定位进行解耦,分别提升分类和定位的准确性;最后,使用结构重参数化将主干网络的训练和推理等效转换,以此来提升特征提取能力和推理速度。实验结果表明,相比原YOLOv5s模型,YOLOv5s-SDSNR的mAP达到97.83%,提升了8.01个百分点,在NVDIA Tesla T4上FPS达到67.77,相较于Faster RCNN、YOLOX,改进的模型更适用于多场景安全帽检测需求。展开更多
文摘针对目前无法实时准确地监测工人是否佩戴安全帽的问题,提出一种基于YOLOv5s的多场景安全帽佩戴检测算法(YOLOv5s-SDSNR)。首先,在YOLOv5s基础上采用最优传输理论将局部匹配策略改进为全局匹配策略,增加正样本的数量,使模型更有针对性训练;然后,利用解耦检测头对分类和定位进行解耦,分别提升分类和定位的准确性;最后,使用结构重参数化将主干网络的训练和推理等效转换,以此来提升特征提取能力和推理速度。实验结果表明,相比原YOLOv5s模型,YOLOv5s-SDSNR的mAP达到97.83%,提升了8.01个百分点,在NVDIA Tesla T4上FPS达到67.77,相较于Faster RCNN、YOLOX,改进的模型更适用于多场景安全帽检测需求。
