为平衡有限算力嵌入式系统检测目标的实时性和准确率,基于Roofline理论以降低访存量和计算量为出发点提出一种YOLOv8n-Light橙果识别模型。引入ShuffleNetv2轻量级主干网络代替原Backbone复杂冗余卷积,根据橙果目标特点设计基于共享卷...为平衡有限算力嵌入式系统检测目标的实时性和准确率,基于Roofline理论以降低访存量和计算量为出发点提出一种YOLOv8n-Light橙果识别模型。引入ShuffleNetv2轻量级主干网络代替原Backbone复杂冗余卷积,根据橙果目标特点设计基于共享卷积的轻量化探头以替换原检测头,借助SEAttention注意力机制重构Concat模块,结合MPDIoU与Focaler-IoU思想优化损失函数以重分配准确率(P)与召回率(R)比例,利用2500幅图像数据构建改进模型数据集。结果表明,改进模型YOLOv8n-Light准确率为96.5%,较原YOLOv8n模型提升2.2个百分点,召回率为89.5%,平均精度(mAP)为97.0%;在Raspberry Pi 4B 8G平台上推理速度为每秒2.8帧,较原模型提升64.7%;果园试验中引导采摘机械臂末端执行器在X、Y、Z方向上的平均定位误差分别为2.48、3.13、4.13 mm,识别准确率97.59%,定位准确率96.39%,采摘成功率93.98%。该算法可为柑橘类果实识别模型轻量化改进和采摘机具研发提供依据和参考。展开更多
针对当前番茄叶片病害检测模型参数量、计算量过大的问题,该研究提出了一种基于YOLOv8n的轻量化高精度网络模型。通过StarBlock模块对原始的C2f(CSP bottleneck with 2 convolutions)进行重构,大幅降低参数量的同时增强模型表达能力;其...针对当前番茄叶片病害检测模型参数量、计算量过大的问题,该研究提出了一种基于YOLOv8n的轻量化高精度网络模型。通过StarBlock模块对原始的C2f(CSP bottleneck with 2 convolutions)进行重构,大幅降低参数量的同时增强模型表达能力;其次引入混合局部通道注意力机制(mixed local channel attention,MLCA),以捕捉更多的上下文信息和多尺度特征;同时,通过多级通道压缩方式改进了原有检测头,减少了沿通道维度的特征;最后通过融合通道剪枝算法对模型二次压缩,使其更加轻量化。试验结果表明,经处理的模型参数量、浮点计算量、模型权重大小分别降低了63.3%、72.8%、61.9%,模型精确率、召回率和平均精度均值(mean average precision(IoU=0.5),mAP_(0.5))分别为97.5%、96.2%和98.5%,性能方面,移动端设备检测帧率达到358.5帧/s,番茄叶片病虫害图像单幅推理时间平均为4.4 ms。证明了该算法可在大幅降低网络计算量的同时保持较高的检测性能,能够满足移动端和嵌入式设备的部署要求。展开更多
文摘为平衡有限算力嵌入式系统检测目标的实时性和准确率,基于Roofline理论以降低访存量和计算量为出发点提出一种YOLOv8n-Light橙果识别模型。引入ShuffleNetv2轻量级主干网络代替原Backbone复杂冗余卷积,根据橙果目标特点设计基于共享卷积的轻量化探头以替换原检测头,借助SEAttention注意力机制重构Concat模块,结合MPDIoU与Focaler-IoU思想优化损失函数以重分配准确率(P)与召回率(R)比例,利用2500幅图像数据构建改进模型数据集。结果表明,改进模型YOLOv8n-Light准确率为96.5%,较原YOLOv8n模型提升2.2个百分点,召回率为89.5%,平均精度(mAP)为97.0%;在Raspberry Pi 4B 8G平台上推理速度为每秒2.8帧,较原模型提升64.7%;果园试验中引导采摘机械臂末端执行器在X、Y、Z方向上的平均定位误差分别为2.48、3.13、4.13 mm,识别准确率97.59%,定位准确率96.39%,采摘成功率93.98%。该算法可为柑橘类果实识别模型轻量化改进和采摘机具研发提供依据和参考。
文摘针对当前番茄叶片病害检测模型参数量、计算量过大的问题,该研究提出了一种基于YOLOv8n的轻量化高精度网络模型。通过StarBlock模块对原始的C2f(CSP bottleneck with 2 convolutions)进行重构,大幅降低参数量的同时增强模型表达能力;其次引入混合局部通道注意力机制(mixed local channel attention,MLCA),以捕捉更多的上下文信息和多尺度特征;同时,通过多级通道压缩方式改进了原有检测头,减少了沿通道维度的特征;最后通过融合通道剪枝算法对模型二次压缩,使其更加轻量化。试验结果表明,经处理的模型参数量、浮点计算量、模型权重大小分别降低了63.3%、72.8%、61.9%,模型精确率、召回率和平均精度均值(mean average precision(IoU=0.5),mAP_(0.5))分别为97.5%、96.2%和98.5%,性能方面,移动端设备检测帧率达到358.5帧/s,番茄叶片病虫害图像单幅推理时间平均为4.4 ms。证明了该算法可在大幅降低网络计算量的同时保持较高的检测性能,能够满足移动端和嵌入式设备的部署要求。
