针对当前药品名称检测存在检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,并基于YOLOv8算法,提出了一种结合Slim-Neck替换特征融合层、GAM注意力机制的检测精度高、硬件要求低的新模型YOLOv8-SNG。使用Drug Na...针对当前药品名称检测存在检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,并基于YOLOv8算法,提出了一种结合Slim-Neck替换特征融合层、GAM注意力机制的检测精度高、硬件要求低的新模型YOLOv8-SNG。使用Drug Name Detection Dataset数据集验证算法的有效性。实验结果表明,与YOLOv8相比,在Drug Name Detection Dataset数据集上FPS少量上涨的情况下,mAP@0.5提高了11.9%,mAP@0.5:0.95提高了6.43%;改进后的算法具有更强的泛化性能,能够更好的适用于药品名称检测任务。展开更多
文摘针对当前药品名称检测存在检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,并基于YOLOv8算法,提出了一种结合Slim-Neck替换特征融合层、GAM注意力机制的检测精度高、硬件要求低的新模型YOLOv8-SNG。使用Drug Name Detection Dataset数据集验证算法的有效性。实验结果表明,与YOLOv8相比,在Drug Name Detection Dataset数据集上FPS少量上涨的情况下,mAP@0.5提高了11.9%,mAP@0.5:0.95提高了6.43%;改进后的算法具有更强的泛化性能,能够更好的适用于药品名称检测任务。
