Fast vehicle detection algorithm based on lightweight YOLO7-tiny

要約

【タイトル】軽量なYOLO7-tinyに基づく高速車両検出アルゴリズム

【要約】

– 車両を迅速かつ正確に検出することは、インテリジェント・トランスポーテーション・システムにおいて重要な役割を担っている。
– 現在の車両検出アルゴリズムは、高い計算複雑性、低い検出率、およびモバイルデバイスでの限定された実現可能性の課題に直面している。
– この論文では、YOLOv7-tiny（You Only Look Once version seven）をベースにした軽量な車両検出アルゴリズム「Ghost-YOLOv7」を提案している。
– モデルの幅を0.5にスケーリングし、バックボーン・ネットワークの通常の畳み込みをゴースト畳み込みに置き換えて、より軽量なネットワークを実現し、検出速度を向上させる。
– 次に、自己設計のゴースト双方向特徴ピラミッドネットワーク（Ghost-BiFPN）をネックネットワークに埋め込むことで、アルゴリズムの特徴抽出能力を強化し、意味情報を豊富にしました。
– そして、ゴーストデコーダードヘッド（GDH）を採用して、車両の位置と種類を正確に予測します。
– 最後に、出力層に座標注意メカニズムを導入して、環境的な干渉を抑制しています。
– WIoU損失関数を用いて検出精度も更に向上させている。
– PASCAL VOCデータセットでの消去実験の結果、Ghost-YOLOv7はオリジナルのYOLOv7-tinyモデルを上回り、計算量が29.8％、パラメータ数が37.3％、モデル重量が35.1％削減され、平均精度が1.1％、検出速度はオリジナルアルゴリズムと比較して27FPS以上高速化されています。
– Ghost-YOLOv7は、KITTIとBIT-vehicleのデータセットで比較され、最高の性能を発揮することが示されています。

要約(オリジナル)

The swift and precise detection of vehicles plays a significant role in intelligent transportation systems. Current vehicle detection algorithms encounter challenges of high computational complexity, low detection rate, and limited feasibility on mobile devices. To address these issues, this paper proposes a lightweight vehicle detection algorithm based on YOLOv7-tiny (You Only Look Once version seven) called Ghost-YOLOv7. The width of model is scaled to 0.5 and the standard convolution of the backbone network is replaced with Ghost convolution to achieve a lighter network and improve the detection speed; then a self-designed Ghost bi-directional feature pyramid network (Ghost-BiFPN) is embedded into the neck network to enhance feature extraction capability of the algorithm and enriches semantic information; and a Ghost Decouoled Head (GDH) is employed for accurate prediction of vehicle location and species; finally, a coordinate attention mechanism is introduced into the output layer to suppress environmental interference. The WIoU loss function is employed to further enhance the detection accuracy. Ablation experiments results on the PASCAL VOC dataset demonstrate that Ghost-YOLOv7 outperforms the original YOLOv7-tiny model. It achieving a 29.8% reduction in computation, 37.3% reduction in the number of parameters, 35.1% reduction in model weights, 1.1% higher mean average precision (mAP), the detection speed is higher 27FPS compared with the original algorithm. Ghost-YOLOv7 was also compared on KITTI and BIT-vehicle datasets as well, and the results show that this algorithm has the overall best performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI