CN117744745A - 一种基于YOLOv5网络模型的图像优化方法及优化系统 - Google Patents
一种基于YOLOv5网络模型的图像优化方法及优化系统 Download PDFInfo
- Publication number
- CN117744745A CN117744745A CN202311862633.9A CN202311862633A CN117744745A CN 117744745 A CN117744745 A CN 117744745A CN 202311862633 A CN202311862633 A CN 202311862633A CN 117744745 A CN117744745 A CN 117744745A
- Authority
- CN
- China
- Prior art keywords
- module
- model
- yolov5
- network model
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000014509 gene expression Effects 0.000 claims abstract description 17
- 230000006872 improvement Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000013138 pruning Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008921 facial expression Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于YOLOv5网络模型的图像优化方法及优化系统，属于机器视觉和深度学习技术领域，包括：接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；采用原始YOLOv5网络模型对标准数据集进行训练，在训练过程中调整训练参数以提高训练效果；分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进。在本申请的技术方案实施过程中，通过对模型进行轻量化设置，在减轻运行压力的同时保证模型性能损失较小，从而保持较高的识别准确率，适用于多种性能的硬件设备中。
Description
技术领域
本申请涉及机器视觉和深度学习技术领域，具体为一种基于YOLOv5网络模型的图像优化方法及优化系统。
背景技术
随着机器学习、机器视觉技术的迅速发展，人脸表情识别是当今的研究热点，通过对人脸表情进行识别，能够识别出人的多种特征。
目前较为成熟的表情识别方法有多种，例如局部二值模式(LBP)、方向梯度直方图(HOG)、Gabor小波变换等，先利用手工提取人脸特征，获取样本的渐层特征，实现对人脸表情的检测。
然而，在现有技术中，虽然通过各种方法均能实现对人脸表情的获取及识别，但是当被检测者处于复杂环境下时，传统的方法会产生检测准确率的问题，导致检测效果不好，并且大多数方法对于人脸识别都需要投入较多的算力资源，当硬件设备算力有限时，通常无法正常进行。
所以有必要提供一种基于YOLOv5网络模型的图像优化方法及优化系统来解决上述问题。
需要说明的是，本背景技术部分中公开的以上信息仅用于理解本申请构思的背景技术，并且因此，它可以包含不构成现有技术的信息。
发明内容
基于现有技术中存在的上述问题，本申请所要解决的问题是：提供一种基于YOLOv5网络模型的图像优化方法及优化系统，达到能够对模型进行轻量化改进，提高运行效率的效果。
本申请解决其技术问题所采用的技术方案是：一种基于YOLOv5网络模型的图像优化方法，该方法包括：
接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；
对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；
采用原始YOLOv5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；
分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进。
在本申请的技术方案实施过程中，通过对模型进行轻量化设置，在减轻运行压力的同时保证模型性能损失较小，从而保持较高的识别准确率，适用于多种性能的硬件设备中。
进一步的，对原始YOLOv5网络模型的主干网络部分进行轻量化改进包括：
采用FasterNet网络中的FasterNet Block替换C3模块中的影响整体模型计算量与参数量的Bottleneck模块，形成C3-faster模块。
进一步的，所述FasterNet Block由一个部分卷积层(PConv)和两个1×1卷积层组成，其中部分卷积层(PConv)仅对部分输入通道进行常规卷积。
进一步的，该方法还包括：
引进GSConv模块，并对GSConv模块进行改进，生成GSConvns模块，将YOLOv5网络模型中部分卷积模块替换为GSConvns模块；
基于GSConvns模块构造VOV-GSCSP模块替换YOLOv5网络模型颈部网络中的C3模块；
对轻量化设计后的YOLOv5模型进行模型通道剪枝；
对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失。
进一步的，所述GSConvns模块的构成方法为：
将GSConv模块两次卷积的输出结果进行拼接后，使用一个卷积模块和激活函数替换GSConv模块中的混洗操作，构成GSConvns模块，同时添加卷积层和激活函数。
进一步的，对轻量化设计后的YOLOv5模型进行模型通道剪枝进一步包括：
首先对整体模型进行稀疏训练，对不同的通道进行区分以便识别出冗余通道；
对网络模型中卷积模块中的BN层引入缩放因子，每个通道的输出与通道因子呈正相关，通过缩放因子的大小进行通道识别筛选；
使BN层部分通道的缩放因子趋于零，并对趋于零的通道进行剪枝操作。
进一步的，所述BN层的迭代过程包括如下公式：
其中μB和σB为对输入求得的均值和标准差,m为当前的mini-batch大小，ε是防止标准差为零，加入的正则化参数，进行归一化处理得到对输入进行重构得到Zout，β为偏置项，γ为BN层引入的缩放因子，每个通道的输出与缩放因子正相关，因此可以通过缩放因子的大小进行通道识别筛选。
一种基于YOLOv5网络模型的图像优化系统，该系统包括：
图像接收模块，用于接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；
预处理模块，用于对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；
训练模块，用于采用原始YOLOv5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；
网络结构分析模块，用于分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进。
进一步的，该系统还包括：
模型改进模块，用于引进GSConv模块，并对GSConv模块进行改进，生成GSConvns模块，将YOLOv5网络模型中部分卷积模块替换为GSConvns模块；
替换模块，用于基于GSConvns模块构造VOV-GSCSP模块替换YOLOv5网络模型颈部网络中的C3模块；
通道剪枝模块，用于对轻量化设计后的YOLOv5模型进行模型通道剪枝；
微调模块，用于对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失。
本申请的有益效果是：本申请提供的一种基于YOLOv5网络模型的图像优化方法及优化系统，通过对模型进行轻量化设置，在减轻运行压力的同时保证模型性能损失较小，从而保持较高的识别准确率，适用于多种性能的硬件设备中，并且对整体模型进行了模型通道剪枝操作，模型计算量、参数量大幅下降的同时平均精度较小，实现低损剪枝。
除了上面所描述的目的、特征和优点之外，本申请还有其它的目的、特征和优点。下面将参照图，对本申请作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
在附图中：
图1为本申请中一种基于YOLOv5网络模型的图像优化方法的整体流程示意图；
图2为改进前后的指标对比示意图；
图3为本申请中一种基于YOLOv5网络模型的图像优化系统的模块示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
实施例一：
如图1所示，本申请提供了一种基于YOLOv5网络模型的图像优化方法，该方法用于对驾驶员在驾驶过程中产生的表情图像进行优化，在本领域中，可以通过分析驾驶员的表情图像来了解驾驶员的注意力、疲劳、压力和情绪状态，实现对驾驶员的行为分析和监测，并能够对驾驶员进行识别和身份认证，以及通过分析驾驶员的表情图像对驾驶环境进行智能调节等，在本实施例中，对于具体用途不做限定，只针对图像的优化过程进行描述，具体的，该方法包括如下步骤：
步骤S1：接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；
其中，三种类型的驾驶员表情图片分别为开心、中性以及痛苦，三种类型的表情图片可以反映驾驶员的三种驾驶状态，并且需要说明的是，三种类型的驾驶员表情图片数量均有多组，多组同类型的图片构成一个类型的图像集；
采集设备可以是车载摄像头，也可以是道路摄像头，在本实施例中不做限制；
步骤S2：对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；
在获取到驾驶员表情图片构成的第一图像集后，还需要对其进行预处理，并生成训练集验证集和测试集，其中，训练集、验证集和测试集的比例为8:1:1，具体的，对第一图像集进行预处理的方法可以参照现有技术，或者参照公开号为CN115512331A的中国发明专利中，对图像进行处理的方法，在本实施例中不再赘述；
经过预处理的第一图像集会分为训练集、验证集和测试集，这些分开后的标准数据集可以用于LOLO网络的训练中；
步骤S3：采用原始YOLOv5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；
YOLOv5网络模型是一种目标检测算法，使YOLO(You Only Look Once)系列的最新版本，该模型采用单阶段的目标检测算法，即一次前向传播即可完成目标检测任务，其核心思想是将图像分成网格，在每个网格中预测目标的边界框和类别，并使用卷积神经网络来实现实时目标检测，是一种高效、准确且易用的目标检测算法，适用于各种实施目标检测场景，如智能监控、自动驾驶、工业检测等，在本实施例中可以实现对标准数据集的训练；
步骤S4：分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进；
YOLOv5网络模型中包含主干网络以及C3模块，目标检测算法的性能很大程度上取决于所选择的主干网络，主干网络是一种深度卷积神经网络，负责从输入图像中提取特征，这些特征将用于后续的目标检测任务，而C3模块是YOLOv5网络模型中的一种特殊模块，用于提取图像特征，由一系列的卷积层和残差连接组成，C3模块的主要目的是增加网络的深度，从而提高特征的表征能力，C3模块的结构类似于残差块，但有一些不同之处，其包含两个连续的卷积层和一个残差连接，在C3模块中，第一个卷积层的输出会与输入进行相加，而不是直接进行残差连接，从而实现增加网络的非线性表达能力的效果；
FasterNet是一种高效的主干网络，专门设计用于目标检测任务，并针对速度和精度进行优化，FasterNet由多组FasterNet Block(FasterNet块)构成，是一种轻量化的主干网络；
在本实施例中，通过将FasterNet Block与YOLOv5网络中的C3模块相结合形成C3-faster模块替换原始的C3模块，从而降低主干网络部分的参数量和计算量，具体的，采用FasterNet网络中的FasterNet Block替换C3模块中的影响整体模型计算量与参数量的Bottleneck模块，形成C3-faster模块；
其中FasterNet Block由一个部分卷积层(PConv)和两个1×1卷积层组成，其中部分卷积层(PConv)仅对部分输入通道进行常规卷积以提取空间特征同时保持其余通道不变，有效减少模型计算冗余，提高了算法效率；
普通卷积和PConv的计算量计算公式如下所示：
FLOPs＝h×w×k2×c2
其中h、w、c代表通道的高、宽和通道数，k为滤波器，cp表示PConv的网络通道，通过公式计算可知，当cp/c＝1/4时，PConv的计算量仅为普通卷积的1/16，从而实现轻量化，提高算法效率；
步骤S5：引进GSConv模块，并对GSConv模块进行改进，生成GSConvns模块，将YOLOv5网络模型中部分卷积模块替换为GSConvns模块；
GSConv模块是在卷积神经网络(CNN)中使用的一种变种模块，常用于目标检测中；
GSConv模块主要是由一个标准卷积和一个深度可分离卷积构成，将GSConv模块两次卷积的输出结果进行拼接后，使用一个卷积模块和激活函数替换GSConv模块中的混洗操作，构成GSConvns模块，同时添加卷积层和激活函数，有助于引入非线性性，更好地捕获和表示数据中的复杂特征；
然后将原始YOLOv5网络中的部分卷积模块替换为GSConvns模块，通过替换混洗操作降低了模型的参数量和计算量，使得模型对于计算资源有限的移动硬件更加友好；
其中，在GSConvns模块中，普通卷积和深度可分离卷积的计算量计算公式为：
GFLOPs＝W×H×K×K×C1×C2
GFLOPs1＝W×H×K×K×C1+W×H×1×1×C1×C2
与普通卷积相比深度可分离卷积的计算量有所减少，计算过程为：
步骤S6：基于GSConvns模块构造VOV-GSCSP模块替换YOLOv5网络模型颈部网络中的C3模块；
在GSConvns模块的基础上构造出VOV-GSCSP模块，其结构是由GSConvns模块以及标准卷积模块构成的轻量化模块，使用该模块替换YOLOv5网络模型颈部网络中的C3模块，在降低了模型复杂度的同时加快了推理速度、提高了精度；
步骤S7：对轻量化设计后的YOLOv5模型进行模型通道剪枝；
在经过前述步骤后，YOLOv5模型经过一系列替换，从而实现轻量化，但是在实际应用过程中，仍然会存在大量的参数量和计算量存在，因此需要进一步优化，在本实施例中，通过对轻量化设计后的YOLOv5模型进行模型通道剪枝，提高模型的推理速度和性能，具体的，对轻量化设计后的YOLOv5模型进行模型通道剪枝进一步包括：
步骤701：首先对整体模型进行稀疏训练，对不同的通道进行区分以便识别出冗余通道；
稀疏训练是一种用于减少模型参数数量的技术，通过识别和剔除冗余通道来进一步减少模型的体积和计算量；
步骤702：对网络模型中卷积模块中的BN层引入缩放因子，每个通道的输出与通道因子呈正相关，通过缩放因子的大小进行通道识别筛选；
BN(Batch Normalization)是一种常用的深度学习模型正则化技术，用于加速网络的训练并提高模型的鲁棒性和泛化能力，BN的主要思想是对每个批次的输入数据进行归一化，使其均值接近于0，标准差接近于1，这样可以减少网络中间层的内部协变量偏移(Internal Covariate Shift)问题，使得网络更易于训练；
步骤703：使BN层部分通道的缩放因子趋于零，并对趋于零的通道进行剪枝操作；
经过稀疏训练，BN层部分通道的缩放因子将趋于0，也表示这些通道对后续的输出几乎不会产生影响，因此将这些通道进行剪枝；
其中，BN层迭代过程为：
其中μB和σB为对输入求得的均值和标准差,m为当前的mini-batch大小，ε是防止标准差为零，加入的正则化参数，进行归一化处理得到对输入进行重构得到Zout，其计算公式如下所示，β为偏置项，γ为BN层引入的缩放因子，每个通道的输出与缩放因子正相关，因此可以通过缩放因子的大小进行通道识别筛选。
步骤S8：对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失；
在对模型进行剪枝后，虽然模型参数没有进行调整，但是剪枝操作会对原始模型的网络结构造成一定程度上的改变，因此剪枝后的网络模型会在一些性能上存在部分损失，经过微调操作，可以对模型性能进行弥补，实现接近于无损剪枝；
具体的，对剪枝后的模型进行微调操作可以参照公开号为CN113762505B的中国发明专利，在本实施例中不再赘述；
如图2所示为改进前后的指标对比图。
实施例二：
如图3所示，本实施例公开了一种基于YOLOv5网络模型的图像优化系统，该系统运行实施例一中的优化方法，该系统包括：
图像接收模块，用于接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；
预处理模块，用于对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；
训练模块，用于采用原始YOLOv5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；
网络结构分析模块，用于分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进；
模型改进模块，用于引进GSConv模块，并对GSConv模块进行改进，生成GSConvns模块，将YOLOv5网络模型中部分卷积模块替换为GSConvns模块；
替换模块，用于基于GSConvns模块构造VOV-GSCSP模块替换YOLOv5网络模型颈部网络中的C3模块；
通道剪枝模块，用于对轻量化设计后的YOLOv5模型进行模型通道剪枝；
微调模块，用于对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于YOLOv5网络模型的图像优化方法，其特征在于：该方法包括：
接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；
对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；
采用原始YOLOv5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；
分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进。
2.根据权利要求1所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：对原始YOLOv5网络模型的主干网络部分进行轻量化改进包括：
采用FasterNet网络中的FasterNet Block替换C3模块中的影响整体模型计算量与参数量的Bottleneck模块，形成C3-faster模块。
3.根据权利要求2所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：所述FasterNet Block由一个部分卷积层(PConv)和两个1×1卷积层组成，其中部分卷积层(PConv)仅对部分输入通道进行常规卷积。
4.根据权利要求1所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：该方法还包括：
引进GSConv模块，并对GSConv模块进行改进，生成GSConvns模块，将YOLOv5网络模型中部分卷积模块替换为GSConvns模块；
基于GSConvns模块构造VOV-GSCSP模块替换YOLOv5网络模型颈部网络中的C3模块；
对轻量化设计后的YOLOv5模型进行模型通道剪枝；
对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失。
5.根据权利要求4所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：所述GSConvns模块的构成方法为：
将GSConv模块两次卷积的输出结果进行拼接后，使用一个卷积模块和激活函数替换GSConv模块中的混洗操作，构成GSConvns模块，同时添加卷积层和激活函数。
6.根据权利要求4所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：对轻量化设计后的YOLOv5模型进行模型通道剪枝进一步包括：
首先对整体模型进行稀疏训练，对不同的通道进行区分以便识别出冗余通道；
对网络模型中卷积模块中的BN层引入缩放因子，每个通道的输出与通道因子呈正相关，通过缩放因子的大小进行通道识别筛选；
使BN层部分通道的缩放因子趋于零，并对趋于零的通道进行剪枝操作。
7.根据权利要求6所述的一种基于YOLOv5网络模型的图像优化方法，其特征在于：所述BN层的迭代过程包括如下公式：
其中μB和σB为对输入求得的均值和标准差,m为当前的mini-batch大小，ε是防止标准差为零，加入的正则化参数，进行归一化处理得到对输入进行重构得到Zout，β为偏置项，γ为BN层引入的缩放因子，每个通道的输出与缩放因子正相关，因此可以通过缩放因子的大小进行通道识别筛选。
8.一种基于YOLOv5网络模型的图像优化系统，其特征在于：该系统包括：
图像接收模块，用于接收来自采集设备所采集的第一图像集，该第一图像集包括至少三种类型的驾驶员表情图片；
预处理模块，用于对第一图像集进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；
训练模块，用于采用原始YOLOv5网络模型对标准数据集进行训练，并在训练过程中调整训练参数以提高训练效果；
网络结构分析模块，用于分析网络结构，对原始YOLOv5网络模型的主干网络部分进行轻量化改进。
9.根据权利要求8所述的一种基于YOLOv5网络模型的图像优化系统，其特征在于：该系统还包括：
模型改进模块，用于引进GSConv模块，并对GSConv模块进行改进，生成GSConvns模块，将YOLOv5网络模型中部分卷积模块替换为GSConvns模块；
替换模块，用于基于GSConvns模块构造VOV-GSCSP模块替换YOLOv5网络模型颈部网络中的C3模块；
通道剪枝模块，用于对轻量化设计后的YOLOv5模型进行模型通道剪枝；
微调模块，用于对剪枝后的模型进行微调操作，弥补剪枝操作对模型造成的性能损失。
10.一种基于YOLOv5网络模型的图像优化系统，其特征在于：用于实施如权利要求1至7任一项所述的基于YOLOv5网络模型的图像优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311862633.9A CN117744745B (zh) | 2023-12-29 | 2023-12-29 | 一种基于YOLOv5网络模型的图像优化方法及优化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311862633.9A CN117744745B (zh) | 2023-12-29 | 2023-12-29 | 一种基于YOLOv5网络模型的图像优化方法及优化系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117744745A true CN117744745A (zh) | 2024-03-22 |
| CN117744745B CN117744745B (zh) | 2024-09-17 |
Family
ID=90259259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311862633.9A Active CN117744745B (zh) | 2023-12-29 | 2023-12-29 | 一种基于YOLOv5网络模型的图像优化方法及优化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744745B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118570740A (zh) * | 2024-08-02 | 2024-08-30 | 南京信息工程大学 | 一种基于改进yolov5的公交站台场景车辆行人检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762505A (zh) * | 2021-08-13 | 2021-12-07 | 中国电子科技集团公司第三十八研究所 | 一种卷积神经网络的按通道l2范数聚类剪枝方法 |
| CN115497140A (zh) * | 2022-09-29 | 2022-12-20 | 天津师范大学 | 一种基于YOLOv5l和注意力机制的实时表情识别方法 |
| CN115512331A (zh) * | 2022-09-30 | 2022-12-23 | 深圳依时货拉拉科技有限公司 | 一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 |
| CN115937949A (zh) * | 2022-12-14 | 2023-04-07 | 上海车联天下信息技术有限公司 | 一种表情识别的方法、装置、电子设备及存储介质 |
| CN116188419A (zh) * | 2023-02-21 | 2023-05-30 | 浙江理工大学桐乡研究院有限公司 | 一种可部署于嵌入式设备的轻量化布匹瑕疵检测方法 |
| WO2023103372A1 (zh) * | 2021-12-06 | 2023-06-15 | 江苏理工学院 | 一种人脸口罩佩戴状态下的识别方法 |
| CN116309414A (zh) * | 2023-03-09 | 2023-06-23 | 浙江农林大学 | 一种部署在安卓系统的基于改进YOLOv5n的冬枣检测和计数方法 |
| CN116580436A (zh) * | 2023-05-08 | 2023-08-11 | 长春理工大学 | 一种带有辅助分类器的轻量化卷积网络面部情绪识别方法 |
| CN116977624A (zh) * | 2023-07-06 | 2023-10-31 | 无锡学院 | 一种基于YOLOv7模型的目标识别方法、系统、电子设备及介质 |
-
2023
- 2023-12-29 CN CN202311862633.9A patent/CN117744745B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762505A (zh) * | 2021-08-13 | 2021-12-07 | 中国电子科技集团公司第三十八研究所 | 一种卷积神经网络的按通道l2范数聚类剪枝方法 |
| WO2023103372A1 (zh) * | 2021-12-06 | 2023-06-15 | 江苏理工学院 | 一种人脸口罩佩戴状态下的识别方法 |
| CN115497140A (zh) * | 2022-09-29 | 2022-12-20 | 天津师范大学 | 一种基于YOLOv5l和注意力机制的实时表情识别方法 |
| CN115512331A (zh) * | 2022-09-30 | 2022-12-23 | 深圳依时货拉拉科技有限公司 | 一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 |
| CN115937949A (zh) * | 2022-12-14 | 2023-04-07 | 上海车联天下信息技术有限公司 | 一种表情识别的方法、装置、电子设备及存储介质 |
| CN116188419A (zh) * | 2023-02-21 | 2023-05-30 | 浙江理工大学桐乡研究院有限公司 | 一种可部署于嵌入式设备的轻量化布匹瑕疵检测方法 |
| CN116309414A (zh) * | 2023-03-09 | 2023-06-23 | 浙江农林大学 | 一种部署在安卓系统的基于改进YOLOv5n的冬枣检测和计数方法 |
| CN116580436A (zh) * | 2023-05-08 | 2023-08-11 | 长春理工大学 | 一种带有辅助分类器的轻量化卷积网络面部情绪识别方法 |
| CN116977624A (zh) * | 2023-07-06 | 2023-10-31 | 无锡学院 | 一种基于YOLOv7模型的目标识别方法、系统、电子设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| KEMING YAO ET AL: "Driver Abnormal Expression Detection Method Based on Improved Lightweight YOLOv5", 《ELECTRONICS》, vol. 13, 20 March 2024 (2024-03-20), pages 1 - 13 * |
| 倪广兴 等: "融合改进YOLOv5 及Mediapipe 的手势识别研究", 《计算机工程与应用》, 29 November 2023 (2023-11-29), pages 1 - 11 * |
| 刘雅洁 等: "改进YOLOv5s的安全帽佩戴检测算法研究", 《计算机工程与应用》, vol. 59, no. 20, 15 October 2023 (2023-10-15), pages 184 - 191 * |
| 杨正飞: "高速公路匝道出口车辆防碰撞预警系统", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 06, 15 June 2023 (2023-06-15), pages 034 - 346 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118570740A (zh) * | 2024-08-02 | 2024-08-30 | 南京信息工程大学 | 一种基于改进yolov5的公交站台场景车辆行人检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117744745B (zh) | 2024-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263705B (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测系统 | |
| CN110110624B (zh) | 一种基于DenseNet网络与帧差法特征输入的人体行为识别方法 | |
| CN109685072B (zh) | 一种基于生成对抗网络的复合降质图像高质量重建方法 | |
| CN111881714A (zh) | 一种无监督跨域行人再识别方法 | |
| CN117744745B (zh) | 一种基于YOLOv5网络模型的图像优化方法及优化系统 | |
| CN111695513B (zh) | 一种基于深度残差网络的人脸表情识别方法 | |
| CN112766062B (zh) | 一种基于双流深度神经网络的人体行为识别方法 | |
| CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
| CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
| CN111401247A (zh) | 一种基于级联卷积神经网络的人像分割方法 | |
| CN114359167B (zh) | 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法 | |
| CN114463340A (zh) | 一种边缘信息引导的敏捷型遥感图像语义分割方法 | |
| CN117830900A (zh) | 一种无监督视频对象分割方法 | |
| CN117853862A (zh) | 基于rgb通道信息融合的深度学习图像操作链取证方法 | |
| CN117911252A (zh) | 基于深度学习去除图像中光照的方法及系统 | |
| CN115100509B (zh) | 基于多分支块级注意力增强网络的图像识别方法及系统 | |
| CN113723456B (zh) | 一种基于无监督机器学习的天文图像自动化分类方法及系统 | |
| Liao et al. | Convolution filter pruning for transfer learning on small dataset | |
| CN111414941B (zh) | 一种基于特征复用的点云卷积神经网络 | |
| CN114782754A (zh) | 一种基于轻量化卷积神经网络的混凝土裂缝检测方法及装置 | |
| CN109002863B (zh) | 一种基于紧凑卷积神经网络的图像处理方法 | |
| CN118609177A (zh) | 一种基于深度学习的模型匹配方法及系统 | |
| CN117456286B (zh) | 一种人参分级方法、装置及设备 | |
| CN116453116B (zh) | 一种高适应性的明场细胞活死分类算法 | |
| CN113361417B (zh) | 一种基于可变时序的人体行为识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |