基于改进YOLOv5的小目标检测方法

计算机与现代化 ›› 2023, Vol. 0 ›› Issue (05): 100-105.

基于改进YOLOv5的小目标检测方法

（1.四川轻化工大学自动化与信息工程学院，四川宜宾 644000； 2.人工智能四川省重点实验室，四川宜宾 644000）

出版日期:2023-06-06 发布日期:2023-06-06
作者简介:王艺成（1998—），男，四川邛崃人，硕士研究生，研究方向：计算机视觉，E-mail: 2397096061@qq.com；张国良（1970—），男，四川金堂人，教授，博士，研究方向：先进控制理论，组合导航，机器人技术，E-mail: zhgl@sohu.com；张自杰（1996—），男，四川自贡人，硕士研究生，研究方向：机器人技术，E-mail: 1270060287@qq.com。
基金资助:
四川省应用基础研究项目（2019YJO413）；四川轻化工大学基础研究项目（E10402733）

Small Object Detection Method Based on Improved YOLOv5

（1. School of Automation and Information Engineering， Sichuan University of Science & Engineering， Yibin 644000， China；
2. Artificial Intelligence Key Laboratory of Sichuan Province， Yibin 644000， China）

Online:2023-06-06 Published:2023-06-06

摘要/Abstract

摘要： 为了解决传统YOLOv5目标检测算法在检测小目标时存在检测精度不高和漏检的问题，提出一种基于改进YOLOv5的小目标检测方法。首先，为了使Anchor Box能更好地适应小目标，在K-means聚类过程中，使用IOU（Interp Over Union）替换原始使用的欧几里得距离公式，重新定义Anchor Box和Ground Truth之间的距离；其次，在空间金字塔池化（Spatial Pyarmid Pooling， SPP）上增加一个池化核大小为3×3的最大池化，提高对小目标的检测精度；最后，制作一个包含多种小型目标的数据集以验证算法性能。实验结果表明：改进YOLOv5算法的验证平均精度（mean Average Precision， mAP）达到76.92%，与经典YOLOv5算法相比提升了3.56个百分点，检测效果有所提升且能检测出漏检目标。

关键词: 小目标检测, YOLOv5, K-means聚类, 空间金字塔池化, 平均精度

Abstract: In order to solve the problems of low detection accuracy and missing detection in traditional YOLOv5 object detection algorithm， a small object detection method based on improved YOLOv5 was proposed. Firstly， to make anchor box better adapt to small targets， IOU （interp over union） is used to replace the Euclidean distance formula originally used in the K-means clustering process to redefine the distance between anchor box and ground truth. Secondly， a maximum pooling of 3×3 kernel size is added to spatial pyarmid pooling （SPP） to improve the detection accuracy of small targets. Finally， a data set containing a variety of small object is designed to verify the algorithm performance. Experimental results show that the mean average precision （mAP） of the improved YOLOv5 algorithm reaches 76.92%， which is 3.56 percentage points higher than that of the classical YOLOV5 algorithm. The detection performence is improved and missed object can be detected.

Key words: small object detection, YOLOv5, K-means clustering, spatial pyramid pooling, mean average precision

王艺成, 张国良, 张自杰, . 基于改进YOLOv5的小目标检测方法[J]. 计算机与现代化, 2023, 0(05): 100-105.

WANG Yi-cheng, ZHANG Guo-liang, ZHANG Zi-jie, . Small Object Detection Method Based on Improved YOLOv5[J]. Computer and Modernization, 2023, 0(05): 100-105.

参考文献［27］

［1］	尹宏鹏，陈波，柴毅，等. 基于视觉的目标检测与跟踪综述［J］. 自动化学报， 2016，42（10）:1466-1489.
［2］	孙鹏. 人脸识别技术研究与应用进展概述［J］.科技传播， 2019，11（24）:130-131.
［3］	陶磊，洪韬，钞旭. 基于YOLOv3的无人机识别与定位追踪［J］. 工程科学学报， 2020，42（4）:463-468.
［4］	颜永彪，张璇璇，程雯婷，等. 低功耗储粮害虫图像采集装置设计［J］. 传感器与微系统， 2019，38（2）:105-106.
［5］	贺宇哲，何宁，张人，等. 基于双阶段目标检测算法研究综述［C］// 中国计算机用户协会网络应用分会2021年第二十五届网络新技术与应用年会论文集. 2021:182-186.
［6］	李科岑，王晓强，林浩，等. 深度学习中的单阶段小目标检测方法综述［J］. 计算机科学与探索， 2022，16（1）:41-58.
［7］	GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation ［C］// Proceedings of the 2014 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE， 2014:580-587.
［8］	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN: Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2016，39（6）:1137-1149.
［9］	SHAO X Q， WEI J Y， GUO D F， et al. Pedestrian detection algorithm based on improved Faster RCNN［C］// Proceedings of the 2021 5th IEEE Advanced Information Technology， Electronic and Automation Control Conference（IAEAC）. IEEE， 2021，5:1368-1372.
［10］	杨立功，郑颖，苏维均，等. 改进的YOLOV3算法在小目标检测中的研究与应用［J］. 火力与指挥控制， 2021，46（9）:162-167.
［11］	蒋镕圻，彭月平，谢文宣，等. 嵌入scSE模块的改进YOLOv4小目标检测算法［J］. 图学学报， 2021，42（4）:546-555.
［12］	彭红星，黄博，邵园园，等. 自然环境下多类水果采摘目标识别的通用改进SSD模型［J］. 农业工程学报， 2018，34（16）:155-162.
［13］	顾伟，王巧华，李庆旭，等. 基于改进SSD的棉种破损检测［J］. 华中农业大学学报， 2021，40（3）:278-285.
［14］	陈幻杰，王琦琦，杨国威，等. 多尺度卷积特征融合的SSD目标检测算法［J］. 计算机科学与探索， 2019，13（6）:1049-1061.
［15］	JEONG J， PARK H， KWAK N. Enhancement of SSD by concatenating feature maps for object detection［J］. arXiv preprint arXiv:1705.09587， 2017.
［16］	麻森权，周克. 基于注意力机制和特征融合改进的小目标检测算法［J］. 计算机应用与软件， 2020，37（5）:194-199.
［17］	仇男豪，曹杰，马俊杰，等. 一种改进的无人机对地小目标检测方法［J］. 电子设计工程， 2020，28（12）:79-84.
［18］	王思元，王俊杰. 基于改进YOLOv3算法的高密度人群目标实时检测方法研究［J］. 安全与环境工程， 2019，26（5）:194-200.
［19］	魏玮，蒲玮，刘依. 改进YOLOv3在航拍目标检测中的应用［J］. 计算机工程与应用， 2020，56（7）:17-23.
［20］	黄开启，刘小荣，黄茂云. 基于改进YOLOv3的小目标检测方法研究［J］. 传感器与微系统， 2022，41（4）:52-55.
［21］	王程，刘元盛，刘圣杰. 基于改进YOLOv4的小目标行人检测算法［J］.计算机工程， 2023，49（2）:296-302.
［22］	郭磊，王邱龙，薛伟，等. 基于改进YOLOv5的小目标检测算法［J］. 电子科技大学学报， 2022，51（2）:251-258.
［23］	WU W T， LIU H， LI L L， et al. Application of local fully convolutional neural network combined with YOLO v5 algorithm in small target detection of remote sensing image［J］. PloS One， 2021，16（10）:e0259283.
［24］	林涛，赵璨. 最近邻优化的K-means聚类算法［J］. 计算机科学， 2019，46（S2）:216-219.
［25］	邓天民，方芳，周臻浩. 基于改进空间金字塔池化卷积神经网络的交通标志识别［J］. 计算机应用， 2020，40（10）:2872-2880.
［26］	VICENTE S， CARREIRA J， AGAPITO L， et al. Reconstructing Pascal voc［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014:41-48.
［27］	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［C］// Proceedings of the IEEE International Conference on Computer Vision. 2017:2980-2988.

[1]	张嘉琪, 徐啟蕾. 基于NAM-YOLO网络的苹果缺陷检测算法[J]. 计算机与现代化, 2023, 0(10): 53-58.
[2]	陈嘉敏, 张伯泉, 麦海鹏. 基于特征融合的海马体分割[J]. 计算机与现代化, 2023, 0(08): 1-6.
[3]	胡睿杰, 车逗. 红外小目标检测方法综述[J]. 计算机与现代化, 2023, 0(08): 79-86.
[4]	龚轩, 郭中华, 陈旺. 基于CA-TransUNet的遥感图像道路分割[J]. 计算机与现代化, 2023, 0(07): 112-118.
[5]	罗伟, 刘思远, 徐健祥, 董天培. 基于改进YOLOv5s的太阳能电池缺陷检测算法[J]. 计算机与现代化, 2023, 0(07): 119-126.
[6]	邱地发, 于淑芳, 刘锦辉, 毕梦昭. 基于YOLOv5s的遥感图像的车辆小目标检测[J]. 计算机与现代化, 2023, 0(05): 122-126.
[7]	汤浩威, 姚军财, 姚聪颖, 孙颖, 裴星懿, 宋春晓. 基于改进YOLOv5的输电线路多目标检测[J]. 计算机与现代化, 2023, 0(02): 78-82.
[8]	王洪义, 孔梅梅, 徐荣青. 基于改进YOLOV5的火焰检测算法[J]. 计算机与现代化, 2023, 0(01): 103-107.
[9]	焦新泉, 李睿康, 陈建军. 基于改进的MoCo的遥感图像目标检测[J]. 计算机与现代化, 2022, 0(12): 88-94.
[10]	王梦, 张鸿鑫, 刘庆华, 张东. 基于改进YOLOv5的幽门螺杆菌免疫印迹图像识别[J]. 计算机与现代化, 2022, 0(09): 78-84.
[11]	孟晓龙, . DNeStCount:数据相关的拆分注意力机制的编码器-解码器结构的人群计数方法[J]. 计算机与现代化, 2022, 0(09): 68-77.
[12]	彭露露, 朱媛媛, 金文倩, 王笑梅. 基于改进YOLOv4的汽车钢铁零件表面缺陷检测[J]. 计算机与现代化, 2022, 0(09): 32-39.
[13]	程凯强, 张旭, 寇旭鹏. 基于SSD的小目标检测改进算法[J]. 计算机与现代化, 2021, 0(07): 77-82.
[14]	王良玮, 陈梅, 李晖, 李焕军, 施若, 戴震宇. DF-SSD:一种基于反卷积和特征融合的单阶段小目标检测算法[J]. 计算机与现代化, 2021, 0(06): 18-23.
[15]	张舰舰. 一种新的高效轻量级卷积神经网络模型[J]. 计算机与现代化, 2021, 0(04): 98-103.