YOLO系列改进论文阅读

目录

Nature子刊： Scientific Reports

Road damage detection algorithm for improved YOLOv5

Abstract

道路破损检测是保障道路安全、实现道路破损及时修复的一项重要工作。以往的人工检测方法效率低，成本高。针对这一问题，提出了一种 改进的YOLOv5道路损伤检测算法MN-YOLOv5。我们对YOLOv5s模型进行了优化，选择了新的骨干特征提取网络MobileNetV3来代替YOLOv5的基础网络，大大减少了模型的参数数量和GFLOPs，减小了模型的大小。同时引入了坐标注意轻量级注意模块，帮助网络更准确地定位目标，提高目标检测精度。KMeans聚类算法用于过滤先验帧，使其更适合数据集，提高检测精度。为了提高模型的泛化能力，引入了标签平滑算法。此外，结构重参数化方法用于加速模型推理。

实验结果表明，本文提出的改进YOLOv5模型能够有效识别路面裂缝。与原模型相比，mAP提升2.5%，F1分数提升2.6%，模型体积小于YOLOv5。1.62倍，参数降低1.66倍，GFLOPs降低1.69倍。该方法可为路面裂缝的自动检测方法提供参考。实验结果表明，本文提出的改进YOLOv5模型能够有效识别路面裂缝。与原模型相比，mAP提升2.5%，F1分数提升2.6%，模型体积小于YOLOv5。1.62倍，参数降低1.66倍，GFLOPs降低1.69倍。该方法可为路面裂缝的自动检测方法提供参考。实验结果表明，本文提出的改进YOLOv5模型能够有效识别路面裂缝。与原模型相比，mAP提升2.5%，F1分数提升2.6%，模型体积小于YOLOv5。1.62倍，参数降低1.66倍，GFLOPs降低1.69倍。该方法可为路面裂缝的自动检测方法提供参考。

论文创新点总结：

MobileNetV3

CA注意力机制

KMeans聚类算法

结构重参数化来源 RepVGG

结构

实验对比：

效果图：

论文地址：

/content/pdf/10.1038/s41598-022-19674-8.pdf