针对鱼类目标检测存在精度低和计算量大的问题,提出了一种基于改进YOLOv8模型的轻量化鱼类目标检测方法YOLOv8-FCW。首先,引入FasterNet中的FasterBlock替换YOLOv8中C2f模块的Bottleneck结构,减少网络模型的冗余计算;其次,引入注意力机...针对鱼类目标检测存在精度低和计算量大的问题,提出了一种基于改进YOLOv8模型的轻量化鱼类目标检测方法YOLOv8-FCW。首先,引入FasterNet中的FasterBlock替换YOLOv8中C2f模块的Bottleneck结构,减少网络模型的冗余计算;其次,引入注意力机制CBAM(Convolutional Block Attention Module),实现高效提取鱼体特征,提升网络模型检测精度;最后,引入动态非单调聚焦机制WIoU(Wise Intersection over Union)替代CIoU(Complete Intersection over Union),加快网络模型的收敛速度,提升网络模型的检测性能。结果显示,与原模型相比,改进YOLOv8-FCW模型精确率提升了1.6个百分点,召回率提升了5.1个百分点,平均精确率均值提升了2.4个百分点,权重和计算量分别减少为原模型的80%和79%。该模型具有较高的精确率和较强的鲁棒性,能够帮助养殖者精确计算鱼群数量,提高养殖效率。展开更多
文摘针对鱼类目标检测存在精度低和计算量大的问题,提出了一种基于改进YOLOv8模型的轻量化鱼类目标检测方法YOLOv8-FCW。首先,引入FasterNet中的FasterBlock替换YOLOv8中C2f模块的Bottleneck结构,减少网络模型的冗余计算;其次,引入注意力机制CBAM(Convolutional Block Attention Module),实现高效提取鱼体特征,提升网络模型检测精度;最后,引入动态非单调聚焦机制WIoU(Wise Intersection over Union)替代CIoU(Complete Intersection over Union),加快网络模型的收敛速度,提升网络模型的检测性能。结果显示,与原模型相比,改进YOLOv8-FCW模型精确率提升了1.6个百分点,召回率提升了5.1个百分点,平均精确率均值提升了2.4个百分点,权重和计算量分别减少为原模型的80%和79%。该模型具有较高的精确率和较强的鲁棒性,能够帮助养殖者精确计算鱼群数量,提高养殖效率。
