基于YOLOv5的小目标检测算法研究.pdf

基于YOLOv5的小目标检测算法研究

摘要

小目标检测是目标检测领域的重要研究课题，由于小目标通常具有分辨率低、特

征提取困难、尺度不均衡且易受环境影响等特点，导致检测结果往往不佳。为了改善

这一现象，本文选取当前工业界广泛应用的YOLOv5算法作为研究对象，以其轻量化

版本v5s作为基线模型，提出优化策略以增强算法对小目标的识别能力。具体研究内

容如下：

（1）针对模型会漏检分辨率低于8×8像素的微小目标的问题，本文在Head颈部

网络增加了一个微小目标检测头P2，有效提升了模型的多尺度检测能力，这使得模型

能够从四个不同尺度分别检测到大、中、小和微小目标，从而显著减少了因目标分辨

率过低而导致的漏检现象，并将模型能够检测到的目标分辨率范围从最低64像素扩展

至最低16像素，提高了模型的召回率。

（2）为增强算法对小目标特征的提取能力，本文受BiFPN启发，提出了CLFPN

特征融合方式。通过运用CLFPN思想对Neck层的FPN+PAN结构进行优化改进，增

加了两条连接至Backbone骨干网络的特征融合路径，丰富了Neck层输出特征图的语

义信息，有效提升了模型对小目标的分类和定位能力。

（3）为降低位置偏差在训练过程中对小目标识别的影响，本文改进了模型中边界

框损失函数的计算方式。结合CIoU和NWD，提出了基于CNWD改进的边界框损失。

通过对边界框进行二维高斯分布建模，并赋予边界框从中心点到边界逐渐减小的权重，

降低了位置偏差对模型训练识别小目标的影响，并由CIoU加快模型的学习速率，提高

模型的收敛速度。

最后，通过实验验证，上述三种优化策略有效提升了网络模型对小物体目标的检

测精度，改进后的YOLOv5s-advance模型在NWPUVHR-10测试集上的精确率、召回

率和mAP@.5相比基线模型分别提高了18.3%、14.7%和14.7%，同时在YOLOv5s-

advance模型在VisDrone2019测试集上的训练结果也显示出显著提升，分别提高了

5.5%、5.3%和6.3%。

关键词：小目标检测；YOLOv5算法；特征融合；边界框损失；单阶段目标检测

基于YOLOv5的小目标检测算法研究

Abstract

Smallobjectdetectionisanimportantresearchtopicinthefieldofobjectdetection.Due

tothecharacteristicsofsmallobjects,suchaslowresolution,difficultyinfeatureextraction,

scaleimbalance,andsusceptibilitytoenvironmentalinfluences,thedetectionresultsareoften

unsatisfactory.Toimprovethissituation,thisthesisselectsthewidelyusedYOLOv5

algorithmintheindustryastheresearchobject,withitslightweightversion,v5s,asthe

baselinemodel.Optimizationstrategiesareproposedtoenhancethealgorithmsabilityto

recognizesmallobjects.Thespecificresearchcontentsareasfollows:

(1)Inordertoaddresstheproblemofthemodelmissingsmalltargets