改进YOLOv5s算法的车辆目标实时检测方法

作者：陈秀锋^*; 王成鑫; 吴阅晨; 谷可鑫

来源：哈尔滨理工大学学报, 2023, 1-9.

• 车辆检测
• 深度学习
• 改进YOLOv5s算法
• 小目标检测
• 异类冗余框

针对城市道路车辆检测中小目标车辆漏检率高和存在异类冗余框的问题，提出一种改进YOLOv5s的车辆实时检测算法。对YOLOv5s算法网络结构进行优化，采用增加小目标检测层，将浅层特征图与深层特征图拼接后进行检测的方法，提升小目标车辆的检测率；针对异类冗余框问题，采用加权非极大值抑制融合两边框信息的方法，提升检测准确性。实验结果表明，改进YOLOv5s算法的平均检测精度（mAP@0.5:0.95）达到64.17%，相比YOLOv5s算法，查准率、召回率分别提高1.72%、0.72%；在小目标车辆检测中，正检率提高5.95%，漏检率降低4.63%。改进YOLOv5s算法能有效改善小目标车辆的检测精度和准确率。

• 出版日期2023
• 单位青岛理工大学; 土木工程学院