(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210374763.7 (22)申请日 2022.04.11 (71)申请人 西北大学 地址 710069 陕西省西安市太白北路2 29号 (72)发明人 陈莉　宜超杰　高涵　郝星星　 周伟　 (74)专利代理 机构 西安恒泰知识产权代理事务 所 61216 专利代理师 王芳 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 9/50(2006.01) (54)发明名称 一种基于改进YOLOv5的轻量化目标检测 网 络 (57)摘要 本发明公开了一种基于改进YOLOv5的轻量 化目标检测网络， 所述网络包括32层， 其中， 第1 层 为 输 入 层 F o c u s ，第 2 ～ 1 7 层 为 GhostBottleneck， 第18、 22层为Conv卷积层， 所 述Conv卷积层包 括依次连接的一次卷积、 ReLU激 活函数和批量归一化操作； 第19、 23层为上采样 操作， 第20、 24、 27、 30层为FFM， 基于注意力的特 征 融 合 模 块 ；第 2 1 、2 5 、2 8 、3 1 层 为 BottleneckCSP， 第26、 29层为空洞卷积层， 第32 层为检测层。 本发明的网络基于YOLOv5进行改 进， 重新设计了轻量的网络主干， 通过使用 GhostBottleneck和深度可分离卷积等轻量化手 段来压缩网络体积的同时， 使用空洞卷积、 FFM等 手段来平衡因轻量化损失的网络体积， 在具有极 小体积的同时， 具有较高的检测精度。 权利要求书1页 说明书9页 附图6页 CN 114972780 A 2022.08.30 CN 114972780 A 1.一种基于改进YOLOv5的轻量化目标检测网络， 其特征在于， 所述网络包括32层， 其 中， 第1层为输入层Focus， 第2～17层为GhostBottleneck， 第18、 22层为Conv卷积层， 所述 Conv卷积层包括依次连接的一次卷积、 ReLU激活函数和批量归一化操作； 第19、 23层为上采 样操作， 第20、 24、 27、 30层为FFM； 第2 1、 25、 28、 31层为BottleneckCSP， 第26、 29层为空洞卷 积层， 第32层为检测层。 2.如权利要求1所述的基于改进YOLOv5的轻量化目标检测网络， 其特征在于， 所述 GhostBot tleneck中所有残差块的大核卷积均使用深度可分离卷积替代。 3.如权利 要求1所述的基于改进YOLOv5的轻量化目标检测网络， 其特征在于， 所述网络 的第18～32层中的所有大核卷积使用空洞卷积代替。权　利　要　求　书 1/1 页 2 CN 114972780 A 2一种基于改进Y OLOv5的轻量化 目标检测网络 技术领域 [0001]本发明属于基于深度学习的目标检测领域， 是针对当前目标检测网络模型体积大 导致难以在边缘计算平台下部署的问题， 提出的一种基于改进Y OLOv5的轻量化目标检测网 络。 背景技术 [0002]目标检测技术是当前机器视觉领域的一项重点研究课题， 在自动驾驶、 人脸识别 以及遥感监测方向都有重要的应用价值。 目标检测算法的部署场景主要以闸机、 监控探头、 相机等嵌入式计算平台为主。 因此， 压缩目标检测算法的模型体积， 并提高模型的检测精 度， 有着重要的理论与现实意 义。 [0003]当前主流 的目标检测算法主要包括传统机器视觉模型(如Harr级联分类器， SIFT 角点检测算法等)， 多级目标检测器(RCNN,Fast  RCNN等)、 单级目标检测器(如SSD,YOLO, RetinaNet等)， 这些网络存在的问题主 要如下： [0004]1、 基于传统机器视觉模型的目标检测算法通常检测精度较低、 泛化性能较差， 需 要针对应用场景进行定制。 [0005]2、 主流基于深度学习技术的目标检测网络在设计时追求对多类目标的高精度检 测， 虽然检测精度相较于基于传统机器视觉技术的目标检测算法有了很大 的提升， 但由于 卷积神经网络的特性， 网络的参数量十 分庞大， 在训练与部署时需要GPU， TPU等运算加速 设 备进行辅助计算， 难以在计算资源受限的边缘计算平台(如闸机、 监控探头、 手机等)上部 署。 [0006]3、 一些算法使用缩减网络特征通道数、 使用小卷积核等策略压缩了网络体积， 然 而， 这样的方法虽然在一定程度上减少了参数量， 但由于网络的学习能力下降， 网络的检测 精度也会大幅度降低。 [0007]综上所述， 现有的基于深度学习的目标检测网络通常由于参数量和模型体积较为 庞大导致难以在边缘计算平台上部署， 而一些小体积的网络的检测精度下降幅度较大， 难 以满足实际应用要求。 发明内容 [0008]针对上述现有的基于深度学习的目标检测网络通常由于参数量和模型体积较为 庞大导致难以在边缘计算平台上部署， 而小体积的网络的检测精度下降幅度较大导致难以 满足实际应用要求的技术问题， 本发明的目的在于， 提供一种基于 改进YOLOv5的轻量化目 标检测网络， 以实现使网络在具有极小体积的同时， 具有较高的检测精度。 [0009]为了实现上述目的， 本发明所采用的技 术方案如下： [0010]一种基于改进YOLOv5的轻量化目标检测网络， 所述网络包括32层， 其中， 第1层为 输入层Focus， 第2～17层为 GhostBottleneck， 第18、 22层为Conv卷积层， 所述Conv卷积层包 括依次连接的一次卷积、 ReLU激活函数和批量归一化操作； 第19、 23层为上采样操作， 第20、说　明　书 1/9 页 3 CN 114972780 A 3