针对在自动驾驶领域中,由于道路场景复杂,目前已有的检测方法存在检测准确率不高,且检测目标单一的问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5)的面向自动驾驶的道路目标检测算法,能够实现车辆、行人、信号灯、交通...针对在自动驾驶领域中,由于道路场景复杂,目前已有的检测方法存在检测准确率不高,且检测目标单一的问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5)的面向自动驾驶的道路目标检测算法,能够实现车辆、行人、信号灯、交通标志等多个目标的同时检测。首先,在原有模型的基础上,引入EIoU损失函数实现YOLOv5输出端预测框的优化,使收敛速度更快;用YOLOv8的C2f模块替换原模型的C3模块,提高小目标精度;改进YOLOv5的目标检测框架为OTA,在保证检测精度的同时,提升检测速度,降低对设备的要求。然后,在保证以上三者可行的情况下加入单目相机测距,实现目标距离的实时精确跟踪并对危险作出预警。最后,建立数据集并进行数据增强,训练数据集。通过消融试验发现,改进后模型比原模型整体精度提高了2%,各目标训练精度与召回率的概率均达到99%以上,在目标跟踪实验中能够实时地显示距离并对危险作出预警,证明了该方法是可行和有效的。展开更多
文摘针对在自动驾驶领域中,由于道路场景复杂,目前已有的检测方法存在检测准确率不高,且检测目标单一的问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5)的面向自动驾驶的道路目标检测算法,能够实现车辆、行人、信号灯、交通标志等多个目标的同时检测。首先,在原有模型的基础上,引入EIoU损失函数实现YOLOv5输出端预测框的优化,使收敛速度更快;用YOLOv8的C2f模块替换原模型的C3模块,提高小目标精度;改进YOLOv5的目标检测框架为OTA,在保证检测精度的同时,提升检测速度,降低对设备的要求。然后,在保证以上三者可行的情况下加入单目相机测距,实现目标距离的实时精确跟踪并对危险作出预警。最后,建立数据集并进行数据增强,训练数据集。通过消融试验发现,改进后模型比原模型整体精度提高了2%,各目标训练精度与召回率的概率均达到99%以上,在目标跟踪实验中能够实时地显示距离并对危险作出预警,证明了该方法是可行和有效的。
