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。
