一种基于改进的YOLOv5的实时交通标志检测方法技术

本发明专利技术提出了一种基于改进的YOLOv5的实时交通标志检测方法，包括：构建交通标志数据集；改进YOLOv5模型，获取原始的交通标志检测模型；基于所述交通标志数据集，对原始的所述交通标志检测模型进行训练；基于训练后的所述交通标志检测模型，实时检测交通标志的信息。本发明专利技术在网络保持轻量化的同时，尽可能地提高检测的精度，使得新模型有着高精度与高速度；本发明专利技术可以部署到边缘设备，缓解云平台计算资源紧张的问题。源紧张的问题。源紧张的问题。

【技术实现步骤摘要】
一种基于改进的YOLOv5的实时交通标志检测方法


[0001]本专利技术属于交通标志智能检测
，尤其涉及一种基于改进的YOLOv5的实时交通标志检测方法。

技术介绍

[0002]近年来，目标检测技术在智能驾驶领域的应用越来越多，其中，交通标志检测技术的研究受到广泛关注。交通标志检测技术的实用性的主要衡量指标是检测的速度和精度，在现有的研究成果中，很多算法已经取得了良好的表现，如公开号为CN114882469A的中国专利文献提出了一种基于DL
‑
SSD模型的交通标志检测方法及系统，扩大图像的感受野，使用位置通道注意力机制PCA将特征图进行权重矩阵相乘得到局部特征等，使精度提高到85％左右；公开号为CN114863384A的中国专利文献提出一种基于YOLOv4算法的交通标志检测技术，通过在YOLOAv4模型的主干网络和检测模块中添加注意力机制网络SENet来增加残差结构和突出交通标志特征以提高检测精度。
[0003]尽管一些交通标志检测算法已经能达到很好的效果，但这些算法往往是面向较良好的检测环境，但现实中的交通标志检测环境常常受到各种各样的外界条件的干扰，如天气条件、照明条件不良、交通标志遮挡退化等，面对不良检测环境时，算法的识别效果往往大打折扣。而且大多数学者的研究都以云计算为研究背景，智能驾驶技术对实时性具有极高的要求，高实时性意味着海量的数据的产生、传输和处理，而集中式云服务器面对大量数据时，很容易出现滞后处理、不稳定延迟的情况，毫无疑问，这必将对智能驾驶技术的安全性产生巨大的威胁。
[0004]综上，尽管现有的深度学习方法在交通标志检测任务中取得了一些成果，但面对复杂自然环境，以及实时边缘检测，仍存在一定的局限性。例如部署到边缘平台上，推理速度较低，精度且较低。
[0005]因此，对于智能驾驶这样高速度、高智能化、高实时性需求的应用场景，研究更高精度和速度的检测技术仍具有重要意义。

技术实现思路

[0006]为解决上述技术问题，本专利技术提出一种基于改进的YOLOv5的实时交通标志检测方法，在网络保持轻量化的同时，尽可能地提高检测的精度，使得新模型有着高精度与高速度。
[0007]为实现上述目的，本专利技术提供了一种基于改进的YOLOv5的实时交通标志检测方法；包括：
[0008]构建交通标志数据集；
[0009]改进YOLOv5模型，获取原始的交通标志检测模型；
[0010]基于所述交通标志数据集，对原始的所述交通标志检测模型进行训练；
[0011]基于训练后的所述交通标志检测模型，实时检测交通标志的信息。
[0012]可选地，改进所述YOLOv5模型包括：在所述YOLOv5模型的骨干网络中，加入坐标注意力机制模块。
[0013]可选地，改进所述YOLOv5模型还包括：采用EIoU损失函数。
[0014]可选地，加入所述坐标注意力机制模块后的所述YOLOv5模型的骨干网络包括：顺序连接的Conv模块、Conv模块、C3模块、Conv模块、C3模块、Conv模块、C3模块、Conv模块、C3模块、坐标注意力机制模块和SPPF模块。
[0015]可选地，所述EIoU损失函数为：
[0016][0017]其中，b、b
gt
分别为预测框和标签框的中心点；w
gt
,h
gt
,w,h分别为标签框的宽高和预测框的宽高；ρ代表计算两个框的中心点距离；c为两个框边界的最远距离；C
w
和C
h
分别表示覆盖两个Box的最小外接框的宽度和高度；IoU表示真实框与预测框之间的重叠比例。
[0018]可选地，对原始的所述交通标志检测模型进行训练包括：对所述坐标注意力机制模块进行训练；
[0019]对所述坐标注意力机制模块进行训练包括：
[0020]输入后的交通标志数据首先经过一个残差residual模块，然后分两部分，其中，一部分分别进行X、Y方向的平均池化，然后再通过Concat拼接，再经过一个Conv2d卷积，然后经过批归一化与非线性操作，再经过一个Conv2d与激活函数Sigmoid，最后与另一部分连接起来，作为输出。
[0021]可选地，对原始的所述交通标志检测模型进行训练还包括：
[0022]基于原始的所述交通标志检测模型输出的置信度、目标框坐标、类别信息，与交通标志的样本图像的真值进行对比，修正原始的所述交通标志检测模型。
[0023]可选地，所述交通标志数据集包括训练集和测试集；其中所述测试集包括：原始综合测试集，天气不良测试集和夜晚测试集。
[0024]与现有技术相比，本专利技术具有如下优点和技术效果：
[0025](1)在网络保持轻量化的同时，尽可能地提高检测的精度，使得新模型有着高精度与高速度；(2)深度学习算法可以部署到边缘设备，缓解云平台计算资源紧张的问题；(3)上述方法也能够通过边缘设备提高检测速度，提高自动驾驶及辅助驾驶车辆的安全性。
附图说明
[0026]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0027]图1为本专利技术实施例的改进的交通标志检测方法流程示意图；
[0028]图2为本专利技术实施例的改进的交通标志检测方法的模型结构示意图；
[0029]图3为本专利技术实施例的坐标注意力机制Coordinate Attention模块示意图；
[0030]图4为本专利技术实施例的推理设备Jetson Nano结构示意图；
[0031]图5为本专利技术实施例的YOLOv5结构示意图。
具体实施方式
[0032]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0033]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0034]本专利技术提出了一种基于改进的YOLOv5的实时交通标志检测方法，包括：
[0035]1.在YOLOv5的主干网络部分中，添加了坐标注意力机制Coordinate Attention(简称CA)，顺序连接Conv模块，Conv模块，C3模块，Conv模块，C3模块，Conv模块，C3模块，Conv模块，C3模块，CA模块，SPPF模块，组成了YOLOv5神经网络的主干网络部分；
[0036]进一步地，在步骤1中，坐标注意力机制Coordinate Attention模块，首先输入后经过一个残差residual模块，然后分两部分，一部分分别进行X、Y方向的平均池化，然后再通过Concat拼接，再经过一个Conv2d卷积，然后经过批归一化与非线性操作，再经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的YOLOv5的实时交通标志检测方法，其特征在于，包括：构建交通标志数据集；改进YOLOv5模型，获取原始的交通标志检测模型；基于所述交通标志数据集，对原始的所述交通标志检测模型进行训练；基于训练后的所述交通标志检测模型，实时检测交通标志的信息。2.根据权利要求1所述的基于改进的YOLOv5的实时交通标志检测方法，其特征在于，改进所述YOLOv5模型包括：在所述YOLOv5模型的骨干网络中，加入坐标注意力机制模块。3.根据权利要求2所述的基于改进的YOLOv5的实时交通标志检测方法，其特征在于，改进所述YOLOv5模型还包括：采用EIoU损失函数。4.根据权利要求2所述的基于改进的YOLOv5的实时交通标志检测方法，其特征在于，加入所述坐标注意力机制模块后的所述YOLOv5模型的骨干网络包括：顺序连接的Conv模块、Conv模块、C3模块、Conv模块、C3模块、Conv模块、C3模块、Conv模块、C3模块、坐标注意力机制模块和SPPF模块。5.根据权利要求3所述的基于改进的YOLOv5的实时交通标志检测方法，其特征在于，所述EIoU损失函数为：其中，b、b
gt
分别为预测框和标签框的中心点；w
gt
，h
gt
，w，h分别为标签框的宽高和预测...

【专利技术属性】
技术研发人员：罗悦晨，慈玉生，魏晓丽，蒋世鑫，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：