YOLO最新研究成果-基于改进的轻量化植物识别模型研究-马宏兴

针对宁夏全区荒漠草原植物种类及其分布的调查需求，我们进行了植物识别方法的深入研究。为解决YOLO v5s模型在复杂背景下植物识别困难等问题，我们提出了一种新型的轻量化模型——YOLO v5s-CBD。该模型在特征提取网络中引入了带有Transformer模块的主干网络BoTNet，将卷积和自注意力相融合，从而提高了模型对复杂背景下植物的感知能力。与此同时，我们还在特征提取网络中引入了坐标注意力（Coordinate attention，CA），成功捕获了通道和位置之间的关系，显著提升了模型的特征提取水平。为解决预测框与真实框不匹配的问题，我们引入了SIoU函数计算回归损失。此外，通过使用深度可分离卷积（Depthwise separable convolution，DSC），我们成功减小了模型的体积。实验证明，模型YOLO v5s-CBD在单块Nvidia GTX A5000 GPU上的帧率可达140帧/s，模型体积为8.9MB。在精确率P方面，模型达到了95.1%；召回率R为92.9%；综合评价指标F1为94.0%；平均精度均值mAP为95.7%。在VOC数据集上，该模型的平均精度均值达到了80.09%。