基于轻量化YOLOv5的无人驾驶目标检测.pdf

与 智能技术 信息技术 信息化 基于轻量化 YOLOv5 的无人驾驶目标检测 1 尚禹呈 摘　要 针对当前非常火热的无人驾驶技术应用，利用车载摄像头进行对交通路况的目标识别的问题，利用基于 YOLOv5 轻量化改进的网络实现对行驶环境中的车辆与行人的检测，从而为无人驾驶车辆保驾护航。 为了使网络模型更加切合无人驾驶的项目需求，在模型中融入了 MobilenetV3 网络结构，以及RepVGG 思想。通过深度可分离卷积替换YOLOv5 中的C3 模块，并且利用参数重构化来进一步提高网络复杂性， 增强网络特征提取能力，同时也降低网络参数量，提升模型运行速度。实验结果表明，在 Argoverse 数 据集上原始的 YOLOv5 平均检测精度为 36%，在 CPU 上的检测时间是 121 ms，经过改进后的模型精度 达到了 35.5%，参数量为 6.51 MB，检测时间也提升为 93.5 ms，在精度没有明显变化的同时保证了速度 的提升。 关键词 无人驾驶； 目标检测；YOLOv5 ；轻量化；Argoverse 数据集 doi ：10.3969/j.issn.1672-9528.2023.06.048 0 引言 模型参数量，提升模型运行速度，并且 RepVGG 思想对网络 再次调整，提高运算效率，优化人工智能算法在边缘计算中 在当今计算机视觉领域中最火热项目便是无人驾驶方 [1-3] 的延迟性，降低耗能，为促进无人驾驶技术的发展尽一份力。 向 ，某些限定区域已经开始进行了很多的无人驾驶落地实 并利用训练好的模型进行对交通路况的检测，验证课题实验 验，在无人驾驶过程中，需要利用车载摄像头获取周围交通 的正确性与可行性。 路况信息并用神经网络等方法对图片进行分析，精度识别周 围车辆行人。而如今绝大多数的神经网络开发都以追究精度 1 YOLOv5 模型结构 为首要目标，高精度的网络模型往往附带着庞大计算量以及 在神经网络早期时代中，Faster R-CNN 系列 [6] 算法是目 参数量，而对于无人驾驶而言，仅能使用性能上相对较差的 标检测中的主流网络，其独创的双步骤识别流程具备极高的 车载芯片进行运算，高复杂性的网络模型无疑会使车载芯片 检测精度，但也其使用了两个步骤导致整体流程运行时间较 面临很大的运算压力 [4-5] ，而且在实际项目中，无人驾驶车辆 [7] 长，在面对一些追求速度的项目时有些乏力 ，不能满足无 在行驶过程中必须保障实时性，一旦对周围环境感知过慢都 人驾驶项目的要求。随后越来越多的学者开展实验致力于对 会导致非常严重的交通问题发生。 网络进行减负，实现低耗时、低运算的网络设计，直到2016 年， 在移动端智能产品运行过程中所收集到的大量数据需要 One-Stage 的目标检测网络YOLO 系列正式问世，其强大的