针对现有基于深度学习的安全帽佩戴状态检测算法在化工园区复杂场景下小目标检测效果差等问题,提出了一种基于YOLOv5s改进的安全帽佩戴状态检测算法SEE-YOLOv5s。通过增加小目标检测头,以更好地捕捉和定位小目标,从而提高模型对复杂场...针对现有基于深度学习的安全帽佩戴状态检测算法在化工园区复杂场景下小目标检测效果差等问题,提出了一种基于YOLOv5s改进的安全帽佩戴状态检测算法SEE-YOLOv5s。通过增加小目标检测头,以更好地捕捉和定位小目标,从而提高模型对复杂场景小目标的识别和检测能力;将YOLOv5s所有的C3模块融合轻量ECA(efficient channel attention)注意力机制,有效整合全局特征信息,提升小目标检测能力,并降低模型复杂度;引入EIoU(efficient intersection over union)损失函数,提升模型训练效果。在自建的SHWD-HG数据集上进行实验,实验结果表明,改进后YOLOv5s比原始模型的P(precision)、R(recall)、mAP0.5(mean average precision 0.5)和mAP0.5:0.95分别提高了0.5、6.5、5.9和3.2个百分点,且模型大小降低了0.7 MB。展开更多
文摘针对现有基于深度学习的安全帽佩戴状态检测算法在化工园区复杂场景下小目标检测效果差等问题,提出了一种基于YOLOv5s改进的安全帽佩戴状态检测算法SEE-YOLOv5s。通过增加小目标检测头,以更好地捕捉和定位小目标,从而提高模型对复杂场景小目标的识别和检测能力;将YOLOv5s所有的C3模块融合轻量ECA(efficient channel attention)注意力机制,有效整合全局特征信息,提升小目标检测能力,并降低模型复杂度;引入EIoU(efficient intersection over union)损失函数,提升模型训练效果。在自建的SHWD-HG数据集上进行实验,实验结果表明,改进后YOLOv5s比原始模型的P(precision)、R(recall)、mAP0.5(mean average precision 0.5)和mAP0.5:0.95分别提高了0.5、6.5、5.9和3.2个百分点,且模型大小降低了0.7 MB。
