Évaluation d'un algorithme de détection de petits objets basé sur un YOLOv5s amélioré

L'algorithme YOLOv5 est largement utilisé dans la détection d'objets en raison de sa vitesse d'inférence efficace et de sa haute précision. Cependant, il fait encore face à des défis dans la détection de petits objets. Cet article propose une série d'améliorations, y compris l'ajout de couches de détection de petits objets, l'intégration du mécanisme d'attention CBAM, et l'optimisation de la fonction de perte en introduisant l'EIoU, afin d'améliorer la capacité d'extraction de caractéristiques et la précision de détection du modèle. Tout d'abord, l'article améliore la perception des objets petits par le réseau en ajoutant des couches sémantiques de bas niveau en pyramide et en construisant de nouvelles têtes de détection de petits objets. Deuxièmement, le module CBAM est intégré dans le module C3, améliorant la capacité de représentation des caractéristiques du modèle et empêchant efficacement la perte d'information. Enfin, en introduisant la fonction de perte EIoU, la contribution de qualité des boîtes d'ancrage est améliorée, augmentant la précision de détection et la rapidité de régression du modèle. Les résultats expérimentaux montrent que l'algorithme YOLOv5 amélioré fonctionne très bien sur le jeu de données BDD100K, en particulier pour la détection de petits objets. Par rapport à l'algorithme original, il montre des améliorations en précision de détection, taux de rappel et précision moyenne (mAP), malgré une légère augmentation des paramètres et du calcul, il répond encore aux exigences en temps réel. Cette recherche fournit un soutien solide pour améliorer davantage la détection de petits objets dans les scénarios de conduite autonome.