目标检测论文解读复现之一：基于改进YOLOv5的整车原木数量检测方法——TWD-YOLOv5（代码已复现）

本文链接：https://blog.csdn.net/m0_70388905/article/details/127797626

目标检测论文解读复现

文章目录

目标检测论文解读复现
前言
一、摘要
二、网络模型及核心创新点
三、应用数据集
四、实验效果
五、投稿期刊介绍

前言

此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

针对整车原木检测中存在密集小目标难检测、原木被遮挡易被漏检、目标检测模型复杂度太大难以部署等问题，提出一种基于YOLOv5的整车原木数量检测方法 TWD⁃YOLOv5，来探究目标检测在整车原木场景下进行快速精准检测的可行性，从而实现智能检尺，提高检尺效率。本研究在原始YOLOv5模型的基础上通过修改模块数量、加入注意力机制和 Transformer 模块的操作来优化主干网络，结合新的检测尺度与基于Ghost卷积设计特征融合网络，提升网络检测小目标的能力，降低模型复杂度，选用 CIoU 作为边界框回归的损失函数和DIoU⁃NMS 作为边界框筛选算法，提高边框的回归精度和解决物体被遮挡的问题。本研究算法 TWD⁃YOLOv5进行4组试验，从平均精度均值（mAP）、每秒传输帧数、原木真检率多种尺度指标进行评估，同时通过预测框完成对原木根数的计数。试验结果表明，本研究方法的mAP达到 0.731，每秒传输帧数为7.33，模型参数降低40.5％，且测试集原木真检率达到了99.551％，误检率为0.22％。该方法不仅大幅减少了模型复杂度，还保持了较高的检测精度。本研究的模型能对整车原木场景下的原木有良好的检测效果，解决了原木被遮挡的问题，且检测速度快，能做到实时检测，另外该算法有较强的鲁棒性且模型较小，可以满足部署至移动端进行目标检测的轻量化需求。

二、网络模型及核心创新点

1.优化 CSP结构
2.加入增强全局特性的 Transformer模块
3.基于Ghost卷积的特征融合结构改进
4.改进的损失函数
在这里插入图片描述
复现yaml如下，完整项目代码请关注私信获取。

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.5  # layer channel multiple
anchors:
  - [5,6, 8,14, 15,11]
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32
# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3CBAM, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3CBAM, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, CTR3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]
# YOLOv5 v6.0 head
head:
  [ [ -1, 1, GhostConv, [ 512, 1, 1 ] ],#20*20
    [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
    [ [ -1, 6 ], 1, Concat, [ 1 ] ],  # cat backbone P4
    [ -1, 3, C3Ghost, [ 512, False ] ],  # 13

    [ -1, 1, GhostConv, [ 512, 1, 1 ] ], #40*40 14
    [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
    [ [ -1, 4 ], 1, Concat, [ 1 ] ],  # cat backbone P3   80*80
    [ -1, 3, C3Ghost, [ 512, False ] ],  # 17 (P3/8-small)  80*80

    [ -1, 1, GhostConv, [ 256, 1, 1 ] ],
    [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
    [ [ -1, 2 ], 1, Concat, [ 1 ] ],  # cat backbone P3
    [ -1, 3, C3Ghost, [ 256, False ] ],  # 17 (P3/8-small)21

    [ -1, 1, GhostConv, [ 256, 3, 2 ] ],
    [ [ -1, 18 ], 1, Concat, [ 1 ] ],  # cat head P4
    [ -1, 3, C3Ghost, [ 256, False ] ],  # 20 (P4/16-medium)24

    [ -1, 1, GhostConv, [ 256, 3, 2 ] ],  #22   80*80
    [ [ -1, 14 ], 1, Concat, [ 1 ] ], #23 80*80
    [ -1, 3, C3Ghost, [ 512, False ] ], #24 80*80

    [ -1, 1, Conv, [ 512, 3, 2 ] ],
    [ [ -1, 10 ], 1, Concat, [ 1 ] ],  # cat head P5
    [ -1, 3, C3Ghost, [ 1024, False ] ],  # 23 (P5/32-large)

    [ [ 21, 24, 27,30 ], 1, Detect, [ nc, anchors ] ],  # Detect(P3, P4, P5)
  ]

三、应用数据集

该研究的数据来源于福建金森林业股份有限公司某原木货场，使用 1600×1200像素分辨率的NV201E工业相机以及手机相机等设备进行图像采集。经过筛选，挑选出107张整车原木图片构建图像数据集，将采集到的数据进行整理和筛选，用lable 软件对采集到的图片中所有的原木轮廓进行标注，构建车装原木数据集，标注原木13134个，模型能够学习到标注出的原木特征。
在这里插入图片描述