一种基于YOLOv8n-RWLA的轻量化yolov8目标识别方法

摘要: 本发明涉及颜色方块目标检测,尤其涉及一种基于yolov8n-rwla的轻量化yolov8的不同颜色方块目标检测方法。背景技术:1、yolo系列目标检测方法因为具...
一种基于YOLOv8n-RWLA的轻量化yolov8目标识别方法

本发明涉及颜色方块目标检测,尤其涉及一种基于yolov8n-rwla的轻量化yolov8的不同颜色方块目标检测方法。

背景技术:

1、yolo系列目标检测方法因为具有较高的检测速度和较好的检测精度,被广泛应用于工业检测,交通监控,智能机器人和安防等场景。尤其是yolov8模型,通过解耦头、改进的特征提取和优化的训练策略,在目标检测任务中取得了较好的综合性能。但是,在资源受限平台和实时部署场景中,现有的目标检测模型仍然存在以下问题:一是中高层特征提取模块在计算量和参数量方面仍有进一步压缩的空间;二是跨尺度特征融合大多数采用直接拼接的方式,容易带来通道膨胀和冗余融合;三是高层特征对长距离空间依赖和上下文信息的建模能力有限,不利于复杂场景下目标的精确识别。所以,如何在保持基本参数规模的前提下,提升推理速度,提升目标检测模型的特征表达能力,跨尺度信息融合能力和高层上下文建模的能力,从而提高检测精度和进一步提升推理速度,还是本领域需要进一步探索的的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于yolov8n-rwla的轻量化yolov8颜色方块目标的检测方法,以解决现有轻量化检测模型在局部特征提取、跨尺度融合和大感受野建模方面仍然存在的不足。

2、为实现上述目的,本发明采用如下技术方案:一种基于yolov8n-rwla的轻量化yolov8目标检测方法,包括数据集构建和标注、数据预处理和划分、模型构建、模型训练验证和推理检测五个阶段。

3、在数据处理阶段,首先获取颜色方块目标检测图像数据,并对图像中的待检测颜色方块进行边界框标注;然后对数据集进行尺寸统一、归一化和增强处理,然后将处理后的数据集分成训练集、验证集和测试集。

4、在模型构建阶段,以yolov8n为基础网络构建yolov8n-rwla目标检测模型,所述模型包括骨干网络、特征融合网络和检测头;其中,rwla分别对应着rep风格的c2f改进、weighted add加权融合和large strip kernel attention条带大核注意力。

5、所述的骨干网络在浅层保留yolov8n中一部分conv和c2f结构,来保证对边缘、纹理等基础信息的提取能力;在中高层则采用c2frep模块替代部分c2f模块,在不明显增加计算代价的情况下增强局部建模能力和部署友好性;在最深层sppf模块之后加入lska模块,以达到扩展高层语义特征的感受野并增强上下文的表达。

6、所述的c2frep模块和yolov8中的c2f结构兼容结合,内部瓶颈单元采用repbottleneck结构。输入的特征经过卷积变换后划分成保留分支和增强分支,增强分支依次通过多个repbottleneck单元来进行特征提取,各阶段输出和保留分支一并拼接以后再经过卷积融合输出。

7、所述的repbottleneck单元包括repconv层和conv层。repconv层用于在训练阶段增强它的表征能力,并可以在部署阶段进行等效重参数化;conv层则是进一步细化特征;同时设置残差连接,来提高网络训练稳定性和信息复用的能力。

8、所述的lska模块采用大核条带注意力机制,包括横向和纵向的深度可分离卷积和带膨胀率的深度可分离卷积,最后经过1×1卷积生成空间注意力映射,并和输入特征相乘获得增强输出。由于所述的lska模块只设置在了p5尺度的位置,所以能在较小额外开销下重点增强高层语义上下文建模的能力。

9、所述的特征融合网络使用自顶向下和自底向上相结合的多尺度融合的方式。自顶向下路径中,深层特征经过1×1卷积降维和上采样后,和对应的中层和浅层特征通过wadd模块进行加权融合,融合的结果再经过c2frep模块进行整合;在自底向上的路径中,较高的分辨率特征经过下采样后和通道对齐后的中高层特征通过wadd模块加权融合,进一步获得p4和p5尺度增强特征。

10、所述的wadd模块以可学习权重替代直接拼接的操作。对每一路输入特征设置可训练参数wi,先通过relu函数进行非负约束,再通过归一化处理得到融合系数ai,最后对各路特征进行加权求和输出,从而减少拼接带来的通道膨胀和冗余计算。

11、所述的检测头接收来自p3/8、p4/16和p5/32三个尺度的输出特征图,并对目标类别和边界框进行联合预测,以达到同时满足小颜色方块目标,中颜色方块目标和大颜色方块目标的检测需求。

12、在训练阶段,将训练集输入yolov8n-rwla模型进行参数学习,并利用验证集对超参数和模型权重进行优化选择;在推理阶段,将待测图像输入训练完成的模型,输出目标的边界框坐标、类别标签和置信度信息。

13、在一个优选实施例中,所述模型的类别数nc设置为4,深度系数depth_multiple设置为0.33,宽度系数width_multiple设置为0.25,以构建轻量化yolov8n网络。

14、和现有技术相比,本发明具有以下有益的效果:其一,通过在中高层引入c2frep模块,可同时满足训练阶段表征能力和部署阶段的效率,有利于在保持基本参数量的前提下增强特征提取能力。

15、其二,通过在颈部网络中引入wadd模块,用加权求和替代部分特征拼接,可以减小融合过程中的通道膨胀和计算冗余,并提升多尺度特征交互的稳定性。

16、其三,通过在p5高层语义特征位置引入lska模块,可在较低的额外开销下扩大感受野并且增强上下文的相关性建模,从而有利于提高复杂场景下的目标检测性能。

17、其四,本发明整体结构紧凑,同时满足较好的实时性和友好的部署性,适合在边缘设备、嵌入式平台和实时目标检测系统中进行应用。

1.一种基于yolov8n-rwla的轻量化yolov8目标检测方法,所述方法包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,所述yolov8n-rwla目标检测模型以yolov8n为基础构建,采用深度系数depth_multiple和宽度系数width_multiple进行轻量化缩放,并保留p3/8、p4/16和p5/32三个检测尺度。

3.根据权利要求1或2所述的方法,其特征在于,所述骨干网络依次包括浅层卷积下采样模块、c2f模块、中高层c2frep模块、sppf模块和lska模块,其中,所述lska模块设置于主干网络末端的 p5/32 高层特征图(sppf之后),用于扩大高层语义特征的有效感受野,并增强长距离上下文信息建模能力。

4.根据权利要求3所述的方法,其特征在于,所述c2frep模块和c2f模块的输入输出接口兼容,所述c2frep模块内部的瓶颈单元由repbottleneck替代,输入特征经卷积映射后分成至少两路,其中的一路直接保留,另一路则依次经过多个repbottleneck单元处理后,前述各路特征行拼接输出。

5.根据权利要求4所述的方法,其特征在于,所述repbottleneck单元包括依次连接的repconv和conv层,并设置残差连接;当残差连接时,单元输出满足y=x+conv(repconv(x));当不残差连接时,单元输出则满足y=conv(repconv(x))。

6.根据权利要求1所述的方法,其特征在于,所述的特征融合网络包括自顶向下的路径和自底向上的路径;在自顶向下的路径中,高层特征经过1×1卷积和上采样后与对应浅层特征通过wadd模块进行加权融合;在自底向上的路径中,下采样特征与经过1×1卷积通道对齐后的中高层特征通过wadd模块进行加权融合,并经过c2frep模块进一步增强。

7.根据权利要求6所述的方法,其特征在于,所述wadd模块对多路输入特征赋予可学习权重wi,经非负约束和归一化后得到融合系数ai,其中ai=relu(wi)/(σrelu(w)+eps),再通过y=σai·xi实现加权求和输出,其中eps是为防止分母为零的常数。

8.根据权利要求3所述的方法,其特征在于,所述lska模块包括依次连接的(1×5)深度可分离卷积、(5×1)深度可分离卷积、带膨胀率的(1×7)深度可分离卷积、带膨胀率的(7×1)深度可分离卷积还有1×1卷积,所述lska模块输出的注意力特征和输入特征相乘得到增强后的输出特征。

9.根据权利要求1所述的方法,其特征在于,所述检测头对p3/8、p4/16和p5/32三个尺度特征图进行联合检测,从而分别提升对颜色方块小目标、颜色方块中目标和颜色方块大目标的检测能力。