改进YOLOv5网络的轻量级服装目标检测方法

作者：陈金广; 李雪; 邵景峰; 马丽丽

来源：纺织学报, 2022, 43(10): 155-160.

DOI：10.13475/j.fzxb.20210809306

• 深度学习
• 目标检测
• 服装图像
• 轻量级网络
• YOLOv5

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用，提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3＿Large构造YOLOv5的主干网络；然后在训练阶段使用标签平滑策略，以增强模型泛化能力；最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明：MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×109次，平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比，模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升，且模型更加轻量，适合部署在资源有限的设备中。

• 出版日期2022
• 单位西安工程大学