- 21 -
高 新 技 术
我国民航正进入高速发展关键时期，国内各机场航班数量逐渐呈现井喷增势，大型机场地面交通基本处于密集型高位运行。为了能够适应逐渐增加的运输压力，提高机场的整体运作管理效率，打造适用于机场的检测系统至关重要。计算机视觉技术成为场景检测的重要方法，而目标检测作为主要技术研究方向之一，可以对画面中目标所在位置进行精准定位，还拥有识别目标所属种类的技术能力[1]。智能技术不断创新，研究人员对目标检测算法精准度的需求逐渐增加。该文试图将轻量化YOLOv 5算法引入目标检测系统，应用YOLOv 5识别机场的人、车和飞机，以提高塔台管理机场的调度效率。同时，该文还基于大量基础数据进行计算机深度学习，以发挥YOLO 部署在嵌入式设备中的优势。
1 轻量化YOLOv5算法理论基础1.1 YOLOv5概述
YOLO 算法利用图片预测，可以一次性获得全部检测结果，在更新中推出YOLOv 5，YOLOv 5可以根据模型大小递增划分为s 、m 、l 和x ，不同模型的深度、宽度也不同，均包括输入端、Backbone 、Neck 以及Head 4个部分。在输入端采用Mosaic 数据增强、自适应初始锚框计算以及图片缩放等图像预处理方法。
Backbone 采用Focus 下采样、SPP 池化金字塔结构以及改进CSP 结构等，可以成功提取图片特征信息[2]。Neck 采用FPN+PAN 特征金字塔结构传递不同尺寸目标物的特征信息。Head 主要应用3类损失函数分别完成计算、分类、定位以及置信度损失任务，经NMS 可以提高网络预测精准度。YOLOv 5的基本架构如图1所示。
1.2 轻量化YOLOv5算法改进
为了精准检测机场的目标物，基于YOLOv 5提出轻量
化YOLOv 5网络结构，模型量化就是将32位浮点运算转化为定点运算，该方法可以有效压缩参数、减少占用内存。以目前使用领域最广泛的3类量化方法（二三值化、对数量化以及线性量化）为例，首先，采用二三值化仅可以进行简单的运算操作，如果运算步骤比较复杂，就会影响结果精度。其次，对数量化运算过程需要将同底幂指数相乘，该计算过程也比较复杂，因此并不利于AI 芯片底层加速。基于对上述2种算法的分析并结合已有文献的观点可知，2种算法均将32位浮点数据映射至8位定点，零点值Z 偏
移就是2种计算方法的不同之处[3]
。
量化后的具体数值Q 如公式（1）所示，零点值Z 如公式（2）所示。
Q R Z n xf xf
u    21max min  （1）Z Q R xf xf n  u
max max max min 21
（2）
式中：
Q 为量化后的具体数值；R 为权重参数值；Z 为零点值；xf 为输入float 32类型数据；n 为量化处理后数值的bit 位数。
通过应用不同量化模型处理，8位定点量化模型明显变小，将FP 32浮点数张量转化为unit 8张量，可以减少存储空间及内存带宽，可以进一步提高系统吞吐量，还可以缓解系统可能导致的延时问题。
2 网络结构轻量化
该文建立目标检测系统GhostNet 的基本理念就是以特征图存在的关联拆分一般卷积，并将其与Ghost 卷积进行
基于轻量化YOLOv5算法的目标检测系统
刘宇伟
（中国矿业大学徐海学院，江苏  徐州  221009）
摘  要：为了在获得更精准的检测结果的同时提高机场的运行管理效率，该文基于轻量化YOLOv5算法设计用于机场的目标识别检测系统。在GPU 中对VOC 公开数据集进行迭代训练，采用MobileNetv2替换Backbone 特征提取层中的BittleneckCSP 结构，采用Conv 替换Focus 模块，以实现轻量化处理。系统选用的芯片MAC 单元为3的倍数，约束网络卷积通道数剪枝为9的倍数，将非对称8位模型量化引入平台，GPU 协同运作部署系统C++编程。经过应用发现，该系统应用轻量化YOLOv5算法可以提高机场的运行效率和安全性，为塔台工作人员提供更好的服务，现场调度多项业务有利于塔台管制流程精细化处理，降低机场管制人员的工作强度。关键词：轻量化YOLOv5；目标识别；检测系统中图分类号：TP 391      文献标志码：A
图1  YOLOv5基本架构
连接层K 1
连接层K 2
连接层K 3
Conv模块
Conv模块
*
空间金字塔池化
Copyright ©博看网. All Rights Reserved.
- 22 -
高 新 技 术
对比（如图2所示）
。
在Ghost 模块内包括1个少量卷积、1个总体恒等映射以及m ×（s -1）个线性运算，
经一般卷积生成的少量特征图完成廉价线性操作，成功获得Ghost 特征图，再拼接2组特征图，成功获得更多特征图并匹配给定输出通道数。
2.1 特征提取网络
该轻量化YOLOv 5算法采用Conv 卷积模块取代原本YOLOv 5的Focus 模块，并采用MobileNetv 2替换原本Backbone 内的CSP 模块。其中，MobileNetv 1所用深度可分离卷积经堆叠可以取代标准卷积，主要包括深度卷积、逐点卷积2个部分，可以在输入同等卷积基础条件上，减少模型的参数量[4]。假设定义标准卷积、深度可分离卷积，
深度卷积在标准卷积的基础上更改N 为1，再与送入1×1逐点卷积模块最终所获卷积结果相加，两者的计算和参数量相比如公式（3）所示[5]。
W H M H W H M N
W H M H N c c o o o c c o c c
u u u u  u u u u u u u u u
u 11111
（3）式中：
W c 、H c 分别为输入特征图的宽、高；N 为卷积核素，共计N 条通道；M 为卷积核数；H o 为卷积模块高度；W o 为卷积深度。
经过计算可知，输出特征图的大小为W c ×H c ×N 。MobileNetv 2在MobileNetv 1的基础上加入Expansion layer 和线性链接Bottleneck layer ，以完成低维、高维特征映射，但是网络模型体积却明显变小，仅为Mobilev 1的1/4，因此可以实现网络结构轻量化的目标。
2.2 模型减枝
针对卷积网络压缩领域，可以采用网络减枝方法达到降低网络复杂度与过拟合的效果，还可以提高量化算法的推理速度。基于卷积核的结构化减枝是指从卷积核层面进行考虑，初始时正常训练网络，再一处权重链接低于判断阈值的卷积核或通道，并进行适当地稀疏调整网络处理，就可以成功获取轻量化模型。以往文献中判断卷积核重要性所用的方法各不相同[6]，该文主要针对网络BN 层内可学习参数完成L 1正则化稀疏训练，成功获得与0接近的
稀疏缩放因子，使用L 1范数评价卷积核的重要性，即完成了减枝流程。也就是根据递减顺序和每个卷积
层滤波器矩阵的绝对值总和排列去除那些比预定阈值低的卷积核。
2.2.1 主干网络改进
为了避免阈值参数评价方法过于单一，导致出现误减、结构通道数发生明显变化以及降低目标检测精度的情
况，再加上嵌入式平台MAC 硬件单元，对优化模型加速时所要求的卷积通道数量最好是3的倍数，因此减枝设计判断函数，如公式（4）所示。
N fx x x    t d ­®
°¯
°,,999 （4）
式中：
N 为网络减枝后通道数；x 为原网络卷积核通道数；f （x ）为在减枝后小于x 并为9的倍数的最大值。为了提高网络预测速度和效率，在保留网络DenseNet 网络特征提取能力的基础上，采用一次性聚合模块，
删除密集连接方式，在最后一层聚合浅层特征，采用这种改进方式可以使整个网络性能比改进前的网络模型更高，还可
以提高小目标检测的性能。
2.2.2 颈部网络改进
颈部网络与输出层、主干网络相连，经特征增强模块提取主干网络特征后，完成特征增强处理向输出层输出，以提高网络检测精准度。目前，运用范围较广的深度学习领域中的特征增强模块为特征金字塔网络（FPN ）模块，该模块可以在目标检测、实例分割等任务中灵活运用，可以添加自顶至下的网络结构，增强双方之间的横向连接，向浅层传递深层语义信息，融合每个特征层后进行单独预测，就可以实现多尺度目标检测，以提高网络对小目标的检测能力。
3 系统试验3.1 试验设计
采用PyTorch 框架的硬件环境配置如下：RTX 2060
GPU ，i 7处理器，16G 内存，Python ：3.6，CUDA 10.1，opencv ：3.4.5。采用RKNN 框架的硬件环境配置为嵌入式设备Rk 3399pro 。将交叉编译环境安装在PC 终端，利用ssh 协议可以在手机、平板设备远程登陆，使用CMake 工具编写 配置文件，就可以实现跨平台管理编
图2  一般卷积与Ghost 卷积的对比
一般卷积
一般卷积
正则化改进算法恒等映射
线性操作
Copyright ©博看网. All Rights Reserved.
- 23 -
高 新 技 术
译的功能。采用phcharm 完成Python 代码编写训练，并落地
C++程序。由mAP 评价模型精准度，控制模型训练中每类检测目标精准率相应召回率为0~1，后续完成积分求和与总检测目标相处后就可以得到结果。完成5次试验后获得平均
值对比（见表1）
。表1  不同网络模型性能相较
模型参数量/MB mAP/%每秒理论推理速度/（f ·s -1）基础YOLOv515.376.30PC端：140Mobilenetv2-YOLOv522.274.55PC端：303Pruning-Mobilenetv2-YOLOv5
12.7
69.56
PC端：370
3.2 数据集预处理
为了验证不同目标检测模型的性能，选择常用于目标检测试验的PASCAL VOC 数据集[7]。所检测目标有丰富的样本数量、不同的特征背景，可以完成不同环境需求下的深度目标检测测试，可以对重叠或较小图片进行筛选和目标增强检测操作。首先，转化试验选择的数据集标签格式，加工PASCALVOC 格式转化为YOLO 文本格式，成功生成id 、x 、y 、w 和h 归一化处理，之后以训练集、验证集的存储方式成功存储转换结果。其次，基于大小相同的2张图片完成聚类产生全部anchors 的2 000轮变异，保证最
终所得召回率结果最大化。最后，在该试验中随机增减图片亮度、饱和度、对比度和调等，并使用裁剪、随机缩放、裁减、翻转以及擦除等方法对图像目标数据进行增强处理。Mosaic 数据增强共计选取4张图片进行随即编排拼接，BatchSize 明显增加，内存占用率也明显变小，可以有效预防出现过拟合情况。
3.3 试验结果
3.3.1 轻量化效果
该文实现了基于YOLOv 5算法的强量化改进设计，YOLOv 5
在训练模型阶段仍然采用Mosaic 数据增强方法，该算法改进了
cutmix 数据扩展方法。cutmix 仅使用2个图像来拼接，而mosaic data augmentation 通过随机缩放、修剪和布局的方法来连接4个
图像[8]，该增强方法可以将几张图片组合成1张，不仅可以丰
富数据集，而且还可以提高网络的训练速度并降低模型的内存
需求。
为了进一步提高YOLOv 5算法的推理速度，该算法提出
一种方法，该方法能够自适应地添加最少的黑边到缩放之后的图片中。将416×416的图像输入该目标检测系统，对比
替换特征提取网络、网络减枝及量化处理后的网络结构。采
用PC 端模型与pytorch 框架进行对比，在RKNN 框架操作Rk 3399pro 端，采用RKNN 模型取代pt 模型，RKNNToolkit
可以精准识别op 算子，提供必要的硬件条件支持。由表1
可知，改进特征提取、减枝以及轻量化处理后的网络结构模
型的检测速度比基础的polov 5模型高，由原本的140 f/s 升
至370 f/s ，模型精度降至6.74%[9]。
3.3.2 算法通用性
为了验证轻量化YOLOv 5算法在机场目标检测中的
通用性和普适性，检测数据预处理后KITTI 数据集训练
的YOLOv 2系列算法（见表2）
，检测效果证实基于轻量化YOLOv 5算法的目标检测方法可以基于Rk 3399pro 进行轻量
化部署，为后续探索其他改进方法提供理论数据支撑。
3.3.3 小目标检测效果
为了对设计轻量化YOLOv 5改进算法目标检测系统
的性能进行验证，探索不同改进方法的应用实效性，基于YOLOv 5设计分辨难度较大的小目标检测试验，共计4组，检测效果见表3。试验结果格式表现为mAP@0.5/mAP@0.5：0.96。由表3可知，WCAL-PAN 的小目标检测效果更好，mAP@0.5提高了3.3%，mAP@0.5：0.95提高了5.2%。该文设计的系统小目标检测效果提高了2.7%，证实了该系统小目标检测效果的显著性。
表2  改进yolo 系列轻量化模型前后目标检测效果对比
模型
参数量/MB mAP/%每秒理论推理速度
/（f ·s -1）YOLOv2基础模型58.746.6PC端：76OurYOLOv2模型
44.343.3PC端：99OurYOLOv2tiny量化uint8RKNN 11.237.8Rk3399pro：88Pruning-Mobilenetv2-YOLOv5  4.5
65.82
Rk3399pro：80表3  小目标检测效果
组别Ghost 参数量*******/%
*******：0.95/%
1×711475678.551.62√730017579.153.53√637176983.359.64
√
6413157
80.9
56.5
4 结语
综上所述，基于轻量化YOLOv 5改进算法的目标检测系统可以保障机场运行安全，可以提高业务效率，还可以为塔台员工提供优质服务。通过塔机运行管理系统保证飞机和人员调度功能正常运行。通过塔机现场调度信息、飞行计划、流量动态控制、雷达通信管理天气预报以及唤醒服务等功能，可以帮助企业实现以下3个目标：1） 对塔机进行控制，以提高综合管理能力。2） 有效协调塔现场调度及机场吞吐量。3） 降低航班管理人员的业务负荷，实现风险管理。
参考文献[1]黄剑翔，朱硕.基于改进的YOLOv5算法道路目标检测分
类技术研究[J].电子设计工程，2023，31（4）：6.[2]张上，王恒涛，冉秀康.基于YOLOv5的轻量化交通标志检测方法[J].电子测量技术，2022（8）：45.[3]皇甫俊逸，孟乔，孟令辰，等.基于GhostNet 与注意力机制的YOLOv5交通目标检测[J].计算机系统应用，2023，32（4）
：12.[4]汤寓麟，李厚朴，张卫东，等.侧扫声纳检测沉船目标的轻量化DETR-YOLO 法[J].系统工程与电子技术，2022，44（8）
：10.[5]李世伟.基于YOLOv5算法的目标检测与车牌识别系统[J].电子技术与软件工程，2022（1）：138-
141.[6]马浩然，顾先旭，张楠杰，等.改进YOLOv5算法在口罩配戴检测系统中的应用与实现[J].科技创新导报，2022，19（27）：6.[7]甄然，刘颖，孟凡华，等.基于YOLOv5的轻量化目标检测算法[J].无线电工程，2023，53（6）：1242-1250.
[8]杨锦辉，李鸿，杜芸彦，等.基于改进YOLOv5s 的轻量化
目标检测算法[J].电光与控制，2023，30（2）：24-30.
[9]黄磊，杨媛，杨成煜，等.FS-YOLOv5：轻量化红外目标
检测方法[J].计算机工程与应用，2023，59（9）：215-224.
Copyright ©博看网. All Rights Reserved.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。