[发明专利]一种基于yolo v3改进的小目标检测方法

说明书

本发明涉及一种基于yolo v3改进的小目标检测方法，包括将基于yolo v3的目标检测模型进行改进，具体包括以darknet53作为特征提取器，删除两个yolo层，将训练集中到一个yolo层上，调大第97层的上采样层的上采样率，通过连接第97层的输出与第11层的输出来更改第98个layer route层，且添加一个spp层对feature map从不同尺度上做pooling再做连接，完成feature map级别的局部特征与全局特征的融合；依据改进后的目标检测模型对小目标进行检测，相较于传统检测模型在待检测对象为小目标时可以更快收敛及有着更高的精度和鲁棒性，在检测过程中取得更好的精度和速度。

技术领域

本发明涉及一种基于yolo v3改进的小目标检测方法，属于目标检测技术领域。

背景技术

Yolo v3是工业界常用的一种目标检测模型，具有速度快、精度高的特征，yolo v3的设计是针对各种尺度的通用目标的监测。在实际的业务场景中，有很多时候需要检测的对象为小目标，而传统的yolo v3由于是为通用目标检测设计的，当直接用于小目标（小目标通常指占图像宽或图像高的比例小于某个阈值的目标，比如该阈值可以是10%或20%，等等）的检测时速度和精度都大打折扣，这种情况下，需要针对yolo v3做出改进，使其对小目标具有更强的检测能力。

发明内容

本发明要解决的技术问题是：提供一种基于yolo v3改进的小目标检测方法，解决传统为了通用目标检测而设计的yolo v3在检测小目标时的速度及精度不足的问题。

为了解决上述技术问题，本发明提出的技术方案是：一种基于yolo v3改进的小目标检测方法，包括以下步骤：将基于yolo v3的目标检测模型进行改进，具体包括以darknet53作为特征提取器，删除两个yolo层，将训练集中到一个yolo层上，调大第97层的上采样层的上采样率，通过连接第97层的输出与第11层的输出来更改第98个layer route层，且添加一个spp层对feature map从不同尺度上做pooling再做连接，完成feature map级别的局部特征与全局特征的融合；依据改进后的目标检测模型对小目标进行检测。

作为本发明所述的基于yolo v3改进的小目标检测方法的一种优选方案，其中：删除两个yolo层，将训练集中到一个yolo层时，删除第82层和第94层的yolo层后，将训练集中到第106层的yolo层上。

作为本发明所述的基于yolo v3改进的小目标检测方法的一种优选方案，其中：调大第97层的上采样层的上采样率至4倍上采样。

本发明起到的技术效果是：本发明提出的基于yolo v3改进的小目标检测模型针对业务场景的待检测目标为小目标时，相较于运用传统检测模型而言可以更快收敛及有着更高的精度和鲁棒性，在检测过程中取得更好的精度和速度。

附图说明

下面结合附图对本发明作进一步说明。

图1是本发明实施例中改进后的yolo v3目标检测模型中去除2层yolo层的示意图。

图2是本发明实施例中改进后的yolo v3目标检测模型中添加的SPP结构示意图。

图3是本发明实施例中改进后的yolo v3目标检测模型的示意图。

图4是本发明实施例中改进后的yolo v3目标检测模型的示意图。

图5是本发明实施例中传统的yolo v3目标检测模型的示意图。

具体实施方式

实施例

在实际的业务场景中，有很多时候需要检测的对象为小目标，而传统的yolo v3由于是为通用目标检测设计的，当直接用于小目标的检测时速度和精度都大打折扣。