摘要
路面障碍物检测是智能导盲系统的核心功能之一。针对基于YOLOv5s的障碍物检测模型复杂度高、推理速度慢等问题,引入轻量级网络MobileNet作为主干特征提取网络,并嵌入CBAM模块弥补精度损失。为进一步优化性能,提出一种先剪枝再蒸馏的模型压缩方案。实验结果表明,经过压缩后的模型参数量为2.99 M,在GPU和CPU上的推理速度分别为113.64和9.67FPS,参数量约为YOLOv5s的42.2%,该模型能满足障碍物检测任务的实时性要求。
Road obstacle detection is one of the core functions of an intelligent blind guidance system.Aiming at the high complexity and slow inference speed of the obstacle detection model based on YOLOv5s,a lightweight network,MobileNet,is introduced as the backbone feature extraction network,and the CBAM module isembedded to compensate for the loss of accuracy.To further optimize the performance,a model compression scheme of first pruning and then distillation is proposed.The experimental results show that the compressed model parameters are 2.99 M,the inference speed on GPU and CPU are 113.64 and 9.67FPS respectively,and the parameters are about 42.2%of YOLOv5s.The model can meet the real-time requirements of obstacle detection tasks.
作者
李雨诗
张才裕
赵杨珂
陈绪君
LI Yushi;ZHANG Caiyu;ZHAO Yangke;CHEN Xujun(School of Physical Science and Technology,Central China Normal University,Wuhan 430079,China)
出处
《激光杂志》
CAS
北大核心
2022年第9期38-43,共6页
Laser Journal
基金
国家自然科学基金(No.62101204)
湖北省自然科学基金(No.2020CFB474)。
作者简介
李雨诗(1998-),女,硕士研究生,主要研究方向为:目标检测。E-mail:lysssss1998@163.com;通信作者:陈绪君,男,博士,副教授,硕士生导师,主要研究方向:智能感知、高密度小目标检测、深度聚类等人工智能领域。E-mail:386393335@qq.com。
