改進YOLOv5的復雜道路目標檢測算法

王鵬飛，黃漢明，王夢琪

廣西師范大學 計算機科學與工程學院，廣西 桂林 541004

隨著經(jīng)濟的發(fā)展和社會的進步，人們對高質(zhì)量生活的追求不斷提高，汽車成為了人們不可或缺的交通工具。數(shù)據(jù)顯示，截至2021 年12 月27 日，中國機動車保有量將近4億輛，其中汽車保有量超過3億輛，每年新車注冊數(shù)量超過3 000 萬，總量和增幅均居世界首位。汽車保有量的快速增加方便了人們的出行，有效促進了中國經(jīng)濟的發(fā)展，但也隨之加劇了道路擁堵、交通事故傷亡等道路交通問題。為了解決這些問題，國家制定了相關(guān)的法律法規(guī)，加強了道路交通管理，加大了對道路建設的投入，并對人們進行交通安全教育的普及等，這些措施頗有成效但是解決道路交通問題依舊任重道遠。

近年來，人工智能快速發(fā)展，汽車自動駕駛技術(shù)成為解決傳統(tǒng)汽車道路交通問題的重要技術(shù)，受到了許多國家及企業(yè)的廣泛關(guān)注[1]。目標檢測算法是汽車自動駕駛系統(tǒng)的基礎和重要組成部分，總的來說，可以分為傳統(tǒng)的目標檢測算法以及基于深度學習的目標檢測算法，傳統(tǒng)的目標檢測算法是把人工獲取的目標特征信息[2-5]與機器學習分類器[6-7]結(jié)合實現(xiàn)目標檢測，由于該類方法太過依賴人為提取特征，因此檢測精度和速度都無法滿足要求?；谏疃葘W習的目標檢測算法又可以分為兩階段（Two Stage）算法和一階段（One Stage）算法[8]。兩階段算法首先生成可能包含待檢測目標的候選區(qū)域，然后對生成的候選區(qū)域進行分類并進行位置校準得到最終的檢測結(jié)果，代表算法主要有R-CNN[9]、Fast R-CNN[10]、Faster R-CNN[11]；一階段算法不再提取候選區(qū)域，而是將目標檢測的整個過程轉(zhuǎn)化成一個回歸問題，從而實現(xiàn)對輸入圖像進行一次處理就能夠得到目標物體的類別與位置信息，網(wǎng)絡結(jié)構(gòu)簡單并且減少了大量冗余的計算，代表算法主要有YOLO[12]、SSD[13]、YOLOv2[14]、YOLOv3[15]、YOLOv4[16]、YOLOv5。YOLOv4 之前，兩階段目標檢測算法的精度較高，但實時性不理想，一階段目標檢測算法在速度上有一定優(yōu)勢，但檢測精度有所欠缺，而YOLOv4以及緊隨其后的YOLOv5的提出，使得一階段目標檢測算法無論是檢測精度還是檢測速度都大幅超越兩階段目標檢測算法。

道路背景下的目標檢測算法需要快速且準確地識別并定位目標，在一般的道路背景下，現(xiàn)有的目標檢測算法已經(jīng)可以勝任，但在復雜的道路背景下，由于目標多而雜，且距離和角度變化大，會存在著密集目標的遮擋問題以及小目標的檢測問題，容易造成誤檢和漏檢，大大影響算法的檢測精度[17]，從而會對人們的生命財產(chǎn)安全造成威脅。因此，解決復雜道路背景下的密集目標遮擋問題以及小目標的檢測問題具有重要意義[18]。

Cai 等人[19]引入級聯(lián)分類器，對重疊率（intersection over union，IoU）的閾值進行了調(diào)整，提出了Cascade RCNN，該算法對檢測框存在的噪聲干擾問題進行了優(yōu)化，有效提高了密集遮擋目標以及小目標的檢測精度。陳幻杰等人[20]選擇分類處理不同尺寸的目標，當檢測中等目標時，加深網(wǎng)絡的深度，可以提取到更多的語義特征，當檢測小目標時，則引入反卷積和區(qū)域映射，以獲得更高分辨率的特征圖，大幅提升了中小目標的檢測精度。李軒等人[21]為了解決密集目標的遮擋問題，提出了Occlusion Loss，通過提高預測框和真實框的匹配程度以使定位更加準確，與此同時，一個檢測框?qū)鄠€目標的問題得到改善，目標漏檢情況也相應減少，檢測精度得到大幅提升。Chu等人[22]提出了EMD Loss損失函數(shù)以及Set NMS 非極大值抑制算法，在密集目標檢測數(shù)據(jù)集中表現(xiàn)極佳。Li等人[23]提出Quality Focal Loss，將分類得分與預測的質(zhì)量得分關(guān)聯(lián)起來，并能夠處理0到1之間的連續(xù)標簽值，有效避免了之后進行非極大值抑制（non-maximum suppression，NMS）操作時出現(xiàn)錯誤抑制，提高了檢測精度?？梢钥闯?，解決密集目標的遮擋問題和小目標檢測問題主要通過改進回歸損失函數(shù)、使用多尺度檢測、改進非極大值抑制等方式。在現(xiàn)階段，復雜背景下的目標檢測還存在很多挑戰(zhàn)，現(xiàn)有的方法尚無法滿足現(xiàn)實需要，還需要更加深入的研究[24]。

針對復雜道路背景下的密集遮擋目標和小目標導致的誤檢、漏檢問題，本文以YOLOv5 4.0 版本中最小體積的YOLOv5s 算法為基礎進行相關(guān)研究改進，具體概述如下：

（1）為了提升YOLOv5s 在復雜道路背景下對密集遮擋目標的檢測能力，引入Quality Focal Loss 回歸損失函數(shù)來代替原始的Focal Loss[25]，將定位目標與分類得分相關(guān)聯(lián)，并能夠處理連續(xù)的標簽值，使得之后做NMS操作時更加合理有效。

（2）為了提升YOLOv5s 在復雜道路背景下對小目標的檢測能力，增加一層淺層檢測層來檢測更小的目標，將原網(wǎng)絡的三尺度檢測改為四尺度檢測，特征融合部分也作相應改進，增強網(wǎng)絡對小目標的學習能力。

（3）為了彌補原始YOLOv5s 算法中特征金字塔網(wǎng)絡[26（]feature pyramid networks，F(xiàn)PN）+PAN[27]特征融合結(jié)構(gòu)缺少原始信息的缺點，借鑒BiFPN[28]的特征融合思想，提出了去權(quán)重的BiFPN，充分利用深層、淺層以及原始特征的信息，加強了不同部分之間的特征融合，減少了卷積過程中特征信息的丟失，提升了算法的檢測精度。

（4）為了進一步提升YOLOv5s 算法在復雜道路背景下檢測時的特征提取能力，引入CBAM[29]注意力機制，通過實驗探究，將CBAM注意力模塊嵌入至算法的檢測頭前，增強算法的特征學習能力，讓算法更關(guān)注有用的信息。

1 YOLOv5目標檢測算法

YOLOv5是Ultralytics團隊在2020年6月提出的一種典型的One Stage 目標檢測算法，該算法匯集了很多深度學習目標檢測框架的優(yōu)點，并且從提出至今，一直在更新迭代版本，本文使用的是4.0版本，其根據(jù)網(wǎng)絡結(jié)構(gòu)的深度和寬度不同，分為了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四個體量不同的版本，其中s最小，x 最大，本文以YOLOv5s 為基礎進行相關(guān)改進，目前作者只公開了源代碼，網(wǎng)址為https：//github.com/ultralytics/yolov5，還未發(fā)表相應學術(shù)論文。YOLOv5 的網(wǎng)絡結(jié)構(gòu)如圖1 所示，可知主要分為輸入端、Backbone、Neck、輸出端四部分。

圖1 YOLOv5網(wǎng)絡結(jié)構(gòu)圖Fig.1 YOLOv5 network structure

1.1 輸入端

YOLOv5的輸入端采用了Mosaic數(shù)據(jù)增強方式，使用隨機縮放、隨機裁剪、隨機排布的方式進行拼接，豐富了數(shù)據(jù)集，提升了小目標檢測的效果，也增強了算法的魯棒性。Anchor方面，YOLOv5可以針對不同的數(shù)據(jù)集，自適應地計算不同訓練集中的最佳錨框值。YOLOv5還使用了自適應圖片縮放，簡單的改進使得計算量大大減少，推理速度得到了37%的提升。

1.2 Backbone

YOLOv5 的Backbone 部分使用Focus 模塊實現(xiàn)了快速下采樣，該模塊能夠在沒有信息丟失的情況下將信息集中到通道上，使接下來的特征提取更加充分。Backbone 部分還使用了C3 模塊，即有3 次卷積的CSPBottleneck模塊，增強了算法的學習能力，并且能夠在保持算法檢測精度的同時實現(xiàn)輕量化。SPP 模塊的使用則提高了圖像的尺度不變性，有效增加了主干特征的接收范圍，更容易使網(wǎng)絡收斂，提高了準確率。

1.3 Neck

YOLOv5 的Neck 部分使用FPN 和PAN 結(jié)合的結(jié)構(gòu)。眾所周知，深層特征圖具有更強的語義信息，而定位信息較弱，淺層特征圖具有更強的位置信息，而語義信息較弱。FPN 實現(xiàn)了語義信息從深層特征圖到淺層特征圖的傳遞，PAN則實現(xiàn)了定位信息從淺層特征層到深層特征層的傳遞，F(xiàn)PN 與PAN 組合，從不同的主干層對不同的檢測層進行參數(shù)聚合，大大加強了網(wǎng)絡的特征融合能力。

1.4 輸出端

輸出端的邊界框回歸損失函數(shù)采用CIOU_Loss，其充分考慮到了重疊面積、中心點距離、長寬比三個重要幾何因素，對一些遮擋重疊的目標有所改進，大幅提升了預測框回歸的速度和精度。檢測層使用了Sigmoid激活函數(shù)，連續(xù)且平滑，便于求導。

YOLOv5 目標檢測算法通過匯集各個算法網(wǎng)絡的優(yōu)點，使得檢測速度和精度都達到了較高的水平，并且格式轉(zhuǎn)換容易，更易部署。但是由于YOLOv5的實驗主要是基于MS COCO 數(shù)據(jù)集[30]的，目標較為寬泛，在遮擋目標和小目標檢測方面還有待改進，為此，本文選擇使用YOLOv5系列中最小體積的YOLOv5s作為基礎算法，通過一系列實驗優(yōu)化，從而得到更加適用于復雜道路的目標檢測算法。

2 YOLOv5改進

2.1 Focal Loss的改進

（1）Focal Loss存在的問題

在目標檢測算法中，輸入一張圖像會產(chǎn)生非常多的候選框，但這些候選框中只有很少一部分包含著目標物體，這就存在著類別不均衡問題。類別不均衡問題就是有大量負樣本，這些負樣本占總loss 的比重較大，并且大多比較容易分類，這就會使得算法的整體學習方向跑偏，遠離人們的期望。Focal Loss的提出就是為了解決樣本的類別不均衡問題，函數(shù)公式如下：

其中，y是真實標簽值，p是經(jīng)過激活函數(shù)的輸出，即預測樣本屬于1 的概率，α用來平衡正負樣本的權(quán)重，(1-p)γ和pγ用來調(diào)制每個樣本的權(quán)重，通過這個損失函數(shù)，可以減少容易分類的樣本的權(quán)重，使得算法模型在訓練學習時更專注于難分類的樣本，從而實現(xiàn)One Stage 目標檢測算法在不影響原有速度的同時達到Two Stage算法的準確度。但是Focal Loss存在一個問題，那就是類別得分和定位質(zhì)量得分在訓練的時候分別進行，而在推理的時候卻將兩者相乘作為NMS 分數(shù)排序的依據(jù)，這就使得訓練和推理之間存在誤差缺口，導致有些候選框的位置預測的很準但是置信度不高，之后做NMS 的時候這些框就會被抑制掉，從而導致最后剩下的檢測框定位精度較差，影響最終的檢測精度。

（2）Focal Loss的改進

為了解決這個問題，首先將對位置的質(zhì)量預測與分類得分進行合并，也就是將預測的分類得分與定位IoU（重疊率）相關(guān)聯(lián)。由于Focal Loss之前是為One Stage算法的分類分支服務的，只支持0 或者1 這樣的離散類別標簽，而現(xiàn)在分類和質(zhì)量進行關(guān)聯(lián)之后，標簽變成了0～1之間的連續(xù)值，F(xiàn)ocal Loss不再適用，因此本文引入了Quality Focal Loss（QFL）。QFL 是對Focal Loss 在連續(xù)標簽上的擴展，首先，將交叉熵部分-lg(pt)擴展到完全形式-( ( 1-y)lg(1-σ)+ylgσ)，然后將每個樣本的縮放因子(1-pt)γ泛化為預測值和實際值之間的絕對值 |y-σ|β(β≥0 )，最終擴展后的損失函數(shù)即為QFL。函數(shù)定義如下：

其中，y是0～1 的質(zhì)量標簽，σ為預測。在復雜的道路背景下，當待檢測目標非常密集且有較多遮擋時，它們的候選框之間的交叉和重疊現(xiàn)象會有所增加，訓練和推理之間的誤差缺口也會相應變大，NMS 時更容易錯誤抑制，定位精度也更容易受到影響。而本文通過引入QFL，實現(xiàn)了定位質(zhì)量得分與類別概率得分的合并統(tǒng)一，有效彌補了原始Focal Loss訓練和推理之間存在的誤差缺口，大大降低了NMS的錯誤抑制率，從而提升了對密集遮擋目標的定位精度。

2.2 多尺度檢測的改進

YOLOv5 系列算法的網(wǎng)絡結(jié)構(gòu)只有網(wǎng)絡深度和寬度的不同，其他都相同，都采用了多尺度檢測，輸入圖像尺寸為640×640的前提下，算法使用20×20的特征層檢測大尺寸的目標，將20×20 的特征層2 倍上采樣與40×40的特征層進行融合檢測中等尺寸的目標，將40×40的特征層2倍上采樣與80×80的特征層進行融合檢測小尺寸的目標。YOLOv5 在20×20、40×40、80×80 三種尺度上實現(xiàn)了對大、中、小三種尺寸目標的檢測，彌補了單尺度目標檢測算法檢測目標的尺寸范圍較小的缺點，檢測準確率得到大幅提升。

而在復雜的道路背景下，很多目標由于距離較遠，在圖像或視頻中占有的尺寸會非常小，原始YOLOv5用來檢測小尺寸目標的80×80 尺度無法完全覆蓋這些更加小的目標，由于將這些更小目標快速準確地檢測出來對于道路交通安全尤為重要，所以本文在YOLOv5s 三尺度檢測的基礎上，增加淺層檢測層，在輸入尺寸為640×640 的前提下，增加一層160×160 尺寸的檢測層來檢測更小尺寸的目標，將原算法的三尺度檢測改為四尺度檢測。同時將原算法的特征融合部分也相應改為四尺度特征融合，增加160×160的特征層，并將80×80的特征層2 倍上采樣與新增加的160×160 的特征層進行融合，以供160×160的檢測層檢測更小目標時使用。通過改進多尺度檢測，增大了算法能夠檢測的目標尺寸范圍，更加適用于目標尺寸變化大的復雜道路場景，有效提高了檢測精度。算法改進后的網(wǎng)絡結(jié)構(gòu)圖如圖2 所示，其中，Output 部分的紅色虛線內(nèi)是增加的第四尺度的檢測，Neck 部分的紅色虛線內(nèi)是相應增加的第四尺度的特征融合部分。

圖2 改進多尺度檢測后的網(wǎng)絡結(jié)構(gòu)圖Fig.2 Network structure diagram after improved multi-scale detection

2.3 Neck部分的改進

YOLOv5s 算法的Neck 部分使用的是FPN 和PAN結(jié)合的結(jié)構(gòu)。FPN 可以將深層特征層具有的更強的語義信息傳遞到淺層特征層，PAN則可以將淺層特征層具有的更強的定位信息傳遞到深層特征層，F(xiàn)PN與PAN組合，從不同的主干層對不同的檢測層進行參數(shù)聚合，結(jié)構(gòu)如圖3（b）所示。

圖3 不同特征融合結(jié)構(gòu)示意圖Fig.3 Schematic diagram of different feature fusion structure

這種組合雖然有效加強了網(wǎng)絡的特征融合能力，但相應地會出現(xiàn)一個問題，那就是PAN結(jié)構(gòu)的輸入全部都是經(jīng)過FPN結(jié)構(gòu)處理過的特征信息，缺少主干特征提取網(wǎng)絡部分的原始特征信息，缺少原始信息參與學習就會很容易導致訓練學習出現(xiàn)偏差，影響檢測準確度。為了解決這個問題，本文借鑒加權(quán)雙向特征金字塔網(wǎng)絡（BiFPN），以2.2節(jié)改進后的算法網(wǎng)絡為基礎進行改進。

BiFPN 首先對FPN+PAN 結(jié)構(gòu)進行簡化，去掉只有一條輸入邊和輸出邊的結(jié)點，并且如果輸入和輸出結(jié)點是同一層的，就添加一條額外的邊，結(jié)構(gòu)如圖3（c）所示。原始的BiFPN 會根據(jù)不同輸入特征的重要性設置不同的權(quán)重，同時將此結(jié)構(gòu)作為一個整體反復使用以加強特征融合，但本文通過實驗發(fā)現(xiàn)YOLOv5s 引入帶權(quán)重的BiFPN會增加過多參數(shù)量和計算量，并且檢測效果并不好。本文認為檢測效果不好是因為對輸入的特征層設置權(quán)重與在特征層后添加注意力機制極其相似，而注意力機制在不同場景下嵌入至不同網(wǎng)絡的不同位置，對檢測效果的影響都不同。本文只是想要使原始算法的PAN結(jié)構(gòu)的輸入能有原始特征信息的參與，所以去掉BiFPN 的權(quán)重部分，只借鑒其特征融合方法，提出去權(quán)重的BiFPN。本文提出的去權(quán)重的BiFPN 的結(jié)構(gòu)示意圖同樣如圖3（c）所示，算法改進后，PAN 結(jié)構(gòu)每個結(jié)點的輸入邊都有一條是來自主干特征提取網(wǎng)絡部分的原始特征層，訓練過程有了原始特征信息的持續(xù)參與，就可以有效避免訓練學習過程偏離人們的期望，特征融合也更加合理有效，從而使得檢測精度有所提升，同時為了保持算法的輕量化，本文只使用一次去權(quán)重的BiFPN進行特征融合。改進后的網(wǎng)絡結(jié)構(gòu)如圖4所示。

圖4 改進Neck部分后的網(wǎng)絡結(jié)構(gòu)圖Fig.4 Network structure diagram after improving Neck part

2.4 融合注意力模塊

深度學習中的注意力機制（attention mechanism）在本質(zhì)上其實與人類的選擇性視覺注意力機制相似，其核心目標也是根據(jù)當前的任務，從大量信息中篩選出更為關(guān)鍵的信息，從而使得算法模型朝著更偏向任務目標的方向去訓練學習。而目標檢測算法在日益復雜的道路背景下應用，恰恰需要算法能夠從復雜的信息中提取出有用的目標信息，過濾掉無關(guān)信息，因此本文引入CBAM注意力模塊。

CBAM包含兩個獨立的子模塊，分別是通道注意力模塊（channel attention module，CAM）和空間注意力模塊（spartial attention module，SAM），它們相互結(jié)合，相比于SENet[31]只關(guān)注通道的注意力機制，可以取得更好的結(jié)果，結(jié)構(gòu)如圖5所示。

圖5 CBAM模塊結(jié)構(gòu)圖Fig.5 CBAM module structure diagram

其他學者已經(jīng)通過實驗證明了嵌入CBAM 模塊的卷積神經(jīng)網(wǎng)絡在圖像分類、目標檢測任務中能夠獲得較好的性能提升。但不同的算法在不同的場景應用，CBAM 注意力模塊具體嵌入網(wǎng)絡結(jié)構(gòu)中的哪一部分并沒有固定的理論說法。因此本文基于2.3 節(jié)改進后的算法YOLOv5s-QFB（Quality Focal Loss+Four Layers+BiFPN），通過實驗探究CBAM注意力模塊嵌入到算法網(wǎng)絡的骨干部分（Backbone）、頸部（Neck）、檢測頭部（Head）分別對網(wǎng)絡性能的影響。由于CBAM注意力模塊是對重要的特征進行增強，所以本文將CBAM注意力模塊嵌入到網(wǎng)絡結(jié)構(gòu)中每一次特征融合后，即在add、concat操作之后以及檢測頭之前，從而產(chǎn)生四種新的網(wǎng)絡模型：YOLOv5s-QFB-A、YOLOv5s-QFB-B、YOLOv5s-QFB-C、YOLOv5s-QFB-D，具體位置如圖6所示。

圖6（a）是將CBAM 融入骨干部分的每個C3 結(jié)構(gòu)內(nèi)部的add和concat后，圖6（b）是將CBAM融入頸部的每個C3 結(jié)構(gòu)內(nèi)部的add 和concat 后，圖6（c）是在頸部concat后增加CBAM注意力層，圖6（d）是在每個檢測頭部前面增加CBAM注意力層。

圖6 四種嵌入CBAM模塊的YOLOv5s-QFB模型Fig.6 Four kinds of YOLOv5s-QFB models embedded in CBAM modules

2.5 改進后的網(wǎng)絡結(jié)構(gòu)

后續(xù)的實驗證明，只有在檢測頭前添加CBAM 層才可以提升算法的檢測精度，因此，基于YOLOv5s 算法，通過四種方法改進后，就得到了本文最終提出的算法YOLOv5s-QFBC（Quality Focal Loss+Four Layers+BiFPN+CBAM），其網(wǎng)絡結(jié)構(gòu)如圖7所示。

圖7 YOLOv5s-QFBC的網(wǎng)絡結(jié)構(gòu)圖Fig.7 Network structure diagram of YOLOv5s-QFBC

3 實驗與結(jié)果分析

3.1 實驗環(huán)境

本文的實驗環(huán)境：CPU為Intel?Core?i7-10700KF CPU @ 3.80 GHz 3.79 GHz，32 GB 運行內(nèi)存，GPU 為NVIDIAGeForceRTX 3080，10 GB 顯存，Windows 10，64 位操作系統(tǒng)，Pytorch 深度學習框架，編程語言為python，GPU加速軟件為CUDA11.1和CUDNN8.0.5。

3.2 實驗數(shù)據(jù)集

為了驗證本文改進的目標檢測算法在復雜道路背景下的有效性，本文在公開的自動駕駛數(shù)據(jù)集KITTI[32]上進行主要實驗探究，并使用自制的騎乘人員頭盔數(shù)據(jù)集Helmet輔助實驗驗證。

（1）KITTI數(shù)據(jù)集

KITTI 數(shù)據(jù)集是目前國際上最大的自動駕駛場景下的計算機視覺算法評測數(shù)據(jù)集之一，由德國卡爾斯魯厄理工學院和豐田美國技術(shù)研究院聯(lián)合創(chuàng)辦。KITTI數(shù)據(jù)集是在高速公路、市區(qū)、鄉(xiāng)村等場景采集的真實圖像數(shù)據(jù)，單張圖像中最多可達30個行人和15輛車，遠處小目標數(shù)量很多并且還有不同程度的截斷與遮擋，給目標檢測算法帶來了很大的挑戰(zhàn)。整個數(shù)據(jù)集分為Car、Van、Truck、Tram、Pedestrian、Person_sitting、Cyclist、Misc、DontCare九類標簽，考慮到實際情況，本文在數(shù)據(jù)預處理階段對類別進行重新劃分，將Car、Van、Truck、Tram 合并為Car 類，將Pedestrian、Person_sitting 合并為現(xiàn)在的Pedestrian，原來的Cyclist這一類保持不變，去除Misc 和DontCare 類，即本文主要關(guān)注三種道路目標類別：車輛（Car）、行人（Pedestrian）、騎車的人（Cyclist）。處理后各類目標的數(shù)量如表1所示。

表1 KITTI數(shù)據(jù)集處理后各類目標的數(shù)量Table 1 Number of targets after KITTI dataset processing

KITTI 數(shù)據(jù)集共有7 481 張帶標注的圖像，本文將其按照8∶1∶1 的比例劃分訓練集、驗證集和測試集，劃分后各部分圖像張數(shù)如表2 所示。實驗在訓練集和驗證集上進行訓練學習，在測試集上檢測效果。

表2 KITTI數(shù)據(jù)集劃分Table 2 KITTI dataset partition

（2）Helmet數(shù)據(jù)集

Helmet 騎乘人員頭盔數(shù)據(jù)集是本文為了輔助算法的實驗驗證而自制的基于復雜道路背景的數(shù)據(jù)集，對查處不按規(guī)定佩戴頭盔的交通違法行為具有積極的現(xiàn)實意義。實驗數(shù)據(jù)集包括三部分，一部分為從公開數(shù)據(jù)集MS COCO 中提取的“bicycle”和“motorcycle”類的圖片，一部分為從百度和谷歌上爬取的相關(guān)圖片，另一部分為從網(wǎng)絡上下載的其他相關(guān)數(shù)據(jù)集，共10 837 張圖片。使用labelimg軟件重新對數(shù)據(jù)進行標注，標簽有佩戴頭盔（helmet）和未佩戴頭盔（nohelmet）兩類，數(shù)量如表3所示。

表3 Helmet數(shù)據(jù)集處理后各類目標的數(shù)量Table 3 Number of targets after Helmet dataset processing

同樣將其按照8∶1∶1的比例劃分訓練集、驗證集和測試集，劃分后各部分圖像張數(shù)如表4所示。實驗在訓練集和驗證集上進行訓練學習，在測試集上檢測效果。

表4 Helmet數(shù)據(jù)集劃分Table 4 Helmet dataset partition

KITTI 數(shù)據(jù)集與Helmet 數(shù)據(jù)集展示如圖8 所示，可以看出，遠處小目標較多并且有不同程度的截斷與遮擋。

圖8 數(shù)據(jù)集展示Fig.8 Dataset presentation

3.3 網(wǎng)絡訓練與測試

本文實驗采用精度（precision，P）、召回率（recall，R）、多個類別平均精度的平均值（mean average precision，mAP）、占用存儲空間大小（單位：MB）、參數(shù)量、浮點運算次數(shù)（floating point operations，F(xiàn)LOPS）、每秒檢測幀數(shù)（frames per second，F(xiàn)PS）幾項性能指標評判算法的性能。其中精度P、召回率R和mAP分別表示為：

式中，TP（true positives）表示被正確檢測出的目標數(shù)，F(xiàn)P（false positives）表示檢測錯誤的目標數(shù)，F(xiàn)N（false negatives）表示未被檢測出來的目標數(shù)，n表示共需要分類的類別數(shù)，AP（average precision）表示某個目標類的平均精度。

實驗設置基本采用YOLOv5的官方推薦參數(shù)設置，采用自適應anchor，采用mosaic數(shù)據(jù)增強，輸入圖像尺寸大小為640×640，訓練時batchsize為16，測試時batchsize為1，epoch 為300，初始化學習率為0.01，學習率動量為0.937。

3.4 實驗結(jié)果與分析

3.4.1 改進Focal Loss的實驗分析

為了驗證改進Focal Loss損失函數(shù)的有效性，同時也為了與其他損失函數(shù)方法進行全面比較，本文以YOLOv5s為基礎，將算法中原始的Focal Loss損失函數(shù)分別改為本文引入的Quality Focal Loss以及BCEWith-LogitsLoss[33]和Varifocal Loss[34]兩種常用損失函數(shù)，其余部分不做改動，改動后的算法分別稱作YOLOv5s-Q、YOLOv5s-BCE、YOLOv5s-Vari，將這三種算法與原始算法在KITTI 數(shù)據(jù)集上進行實驗對比，實驗結(jié)果如表5所示。

表5 改進Focal Loss驗證實驗Table 5 Improved Focal Loss verification experiment

從表5 中可以看出，將原始Focal Loss 損失函數(shù)改為BCEWithLogitsLoss和Varifocal Loss不僅無法提高檢測精度，而且降低了檢測速度，而改為本文引入的Quality Focal Loss，則可以在沒有任何損耗的情況下提高0.3個百分點的檢測精度，證明了該改進方法的有效性。

3.4.2 改進多尺度檢測的實驗分析

為了驗證改進多尺度檢測的有效性，本文將原始YOLOv5s算法的三尺度檢測改為四尺度檢測，多尺度特征融合部分也相應進行適配改進，其余部分不變，改進后的算法稱作YOLOv5s-F，然后將其與原始的YOLOv5s算法網(wǎng)絡在KITTI數(shù)據(jù)集上進行實驗對比，實驗結(jié)果如表6所示。

表6 改進多尺度檢測驗證實驗Table 6 Improved multi-scale detection verification experiment

從表6 中可以看出，通過多尺度檢測的改進，雖然算法模型的體積、參數(shù)量以及計算量都有少量增加，并且FPS有所降低，但都在可接受范圍內(nèi)并且算法仍然保持著較好的實時性，在此情況下檢測精度得到了1.2 個百分點的提升，因此證明了該改進方法的有效性。

3.4.3 改進Neck部分的實驗分析

為了驗證Neck 部分改進的有效性，本文將原始YOLOv5s 算法中的FPN+PAN 結(jié)構(gòu)改為本文提出的去權(quán)重的BiFPN 結(jié)構(gòu)，其余部分保持不變，改進后的算法稱作YOLOv5s-B，然后將其與原始YOLOv5s 算法在KITTI數(shù)據(jù)集上進行實驗對比，實驗結(jié)果如表7所示。

表7 改進Neck部分驗證實驗Table 7 Improved Neck partial validation experiment

從表7 中可以看出，通過改進Neck 部分，使得算法在少量增加計算量和參數(shù)量的情況下，提升了0.6 個百分點的檢測精度，檢測速度也有所加快，說明該改進在一定程度上加強了Neck 部分的特征融合，證明了改進方法的有效性。

3.4.4 融合注意力模塊的實驗分析

為了驗證融合注意力模塊的有效性以及探究應該將注意力模塊嵌入到算法的具體哪個位置，本文以經(jīng)過了上面三種改進方法改進后的算法（YOLOv5s-QFB）為基礎，將CBAM注意力模塊分別嵌入算法不同位置的add和concat操作之后以及檢測頭前，形成了2.4節(jié)中的四個新的算法，然后將改進后的這四個算法與YOLOv5s-QFB算法在KITTI數(shù)據(jù)集上進行實驗對比，實驗結(jié)果如表8所示。

表8 融合注意力模塊驗證實驗Table 8 Fusion attention module verification experiment

表8 中的實驗結(jié)果表明，只有YOLOv5s-QFB-D 算法即把CBAM注意力模塊嵌入到檢測頭前才能提升算法的檢測精度，并且只增加了很少的計算量就提升了0.2個百分點的檢測精度，進一步提升了檢測效果，證明了該方法的有效性。同時，為了與其他注意力機制方法進行更加全面的比較，本文同樣以YOLOv5s-QFB 為基礎，分別將本文引入的CBAM 注意力，以及SE[31]、ECA[35]、CA[36]這三種常用的注意力機制嵌入至算法的檢測頭前，其他部分不做改動，在KITTI 數(shù)據(jù)集上進行實驗對比，實驗結(jié)果如表9所示。

表9 融合不同注意力模塊對比實驗Table 9 Comparative experiment of fusing different attention modules

從表9中可以看出，算法融入四種不同的注意力模塊增加的參數(shù)量和計算量相差不大；在檢測精度方面，融合SE、ECA 注意力分別降低了0.2 個百分點和0.6 個百分點的檢測精度，融合CA注意力檢測精度沒有改變，只有融合CBAM 注意力提高了0.2 個百分點的檢測精度；在檢測速度方面，融合四種注意力都會帶來一定程度的速度損失，但融合CBAM 注意力帶來的速度損失最少。綜上所述，本文引入的CBAM 注意力相比其他常用的注意力機制，更具優(yōu)越性。

3.4.5 消融實驗

本文所提四種改進方法分別為Q（quality focal loss）、F（四尺度檢測）、B（去權(quán)重的BiFPN）、C（CBAM注意力）。為了驗證四種不同改進方法的有效性，本文從以下兩個方向設計消融實驗：（1）以原始YOLOv5s算法為基礎，分別只增加一種改進方法，以驗證每種改進方法對原算法的改進效果；（2）以最終YOLOv5s-QFBC算法為基礎，分別只消除一種改進方法，以驗證每種改進方法對最終算法的影響程度。為了體現(xiàn)算法的泛化性，本文的消融實驗在公開的自動駕駛數(shù)據(jù)集KITTI和自制的騎乘人員頭盔數(shù)據(jù)集Helmet 上分別進行，實驗結(jié)果如表10和表11所示。

“√”表示引入該方法，從表10和表11中可以看出，本文所提出的四個改進方法無論是在KITTI 數(shù)據(jù)集還是Helmet數(shù)據(jù)集上，相比原始YOLOv5s算法，檢測精度都有不同程度的提升，其中改進多尺度檢測提升效果最好，分別提升了1.2 和1.3 個百分點的檢測精度；而相比最終YOLOv5s-QFBC 算法，消除任一改進方法都會降低算法的檢測精度，其中消除多尺度檢測的改進對最終算法影響最大，檢測精度分別降低了1.0 和1.1 個百分點。通過消融實驗，再次證明了本文所提不同改進方法的有效性。同時，本文提出的最終算法YOLOv5s-QFBC相較于原始YOLOv5s，在KITTI 數(shù)據(jù)集和Helmet 數(shù)據(jù)集上分別提高了1.9和2.1個百分點的檢測精度，F(xiàn)PS分別達到69 和68，都能夠在很好地保持算法的實時性的同時有著更高的檢測精度。YOLOv5s-QFBC 算法在自動駕駛場景下的車、行人、騎車的人檢測任務中以及道路騎乘場景下的頭盔佩戴檢測任務中，相較于原始YOLOv5s 算法都有更好的表現(xiàn)，證明了本文所提算法具有較好的泛化性，也證明了本文所提算法能夠更好地處理復雜道路背景下的不同場景條件中的目標檢測問題。

表10 算法在KITTI數(shù)據(jù)集上的消融實驗結(jié)果Table 10 Ablation experimental results of algorithm on KITTI dataset

表11 算法在Helmet數(shù)據(jù)集上的消融實驗結(jié)果Table 11 Ablation experimental results of algorithm on Helmet dataset

3.4.6 對比實驗

為了進一步證明本文所提算法的有效性以及優(yōu)越性，將本文最終提出的算法模型與原YOLOv5s 算法、YOLOv5m、YOLOv5l、YOLOv5x、Faster R-CNN[11]、SSD[13]、YOLOv4-tiny、YOLOv4[16]、YOLOX-tiny[37]、YOLOX-X[37]算法在KITTI 數(shù)據(jù)集上進行實驗對比，結(jié)果如表12所示。

表12 不同的算法模型在KITTI數(shù)據(jù)集上的性能對比Table 12 Performance comparison of different algorithm models on KITTI data set

對比表12中不同算法模型的實驗結(jié)果，可以看出，本文提出的YOLOv5s-QFBC算法相較于其他主流的算法模型，有著最高的檢測精度。其中，相較于檢測精度較為相近的YOLOv5x以及YOLOX-X算法，本文所提算法所占用的體積只有YOLOv5x的9.8%，只有YOLOX-X的4.5%，體量優(yōu)勢明顯；相較于檢測速度較為相近的YOLOv5s 算法以及YOLOv5m 算法，本文所提算法的檢測精度優(yōu)勢明顯，比YOLOv5s 高1.9 個百分點，比YOLOv5m 高1.1 個百分點，而YOLOv4-tiny 雖然有著最高的檢測速度，達到了106 FPS，但是它的檢測精度卻最低，只有66.8%，無法在復雜道路背景下應用；相較于占用體積較為相似的YOLOv5s、YOLOv4-tiny 以及YOLOX-tiny 算法，本文所提算法的檢測精度分別高了1.9、28.1、3.7 個百分點。綜上所述，本文提出的YOLOv5s-QFBC 算法在保持輕量化的同時，有著最高的檢測精度，并且保持著較好的實時性，整體表現(xiàn)較為突出，證明了本文所提算法的優(yōu)越性。為了更加直觀地進行評價，本文對改進前后的效果對比進行了展示，如圖9所示。

圖9 算法改進前后的檢測效果對比圖Fig.9 Comparison of detection effect before and after algorithm improvement

通過對比可以看出，在復雜的道路背景下，本文提出的YOLOv5s-QFBC 算法，相比于原始的YOLOv5s 算法，對遮擋目標以及小目標檢測時存在的誤檢和漏檢問題都有所改進。

4 結(jié)束語

針對復雜道路背景下的遮擋目標和小目標檢測導致的誤檢、漏檢問題，本文通過對Quality Focal Loss、增加檢測層、去權(quán)重的BiFPN、融合CBAM 注意力模塊等方法的集成，來優(yōu)化YOLOv5s這一典型的One Stage目標檢測算法。

實驗結(jié)果證明，改進后的算法在公開的自動駕駛數(shù)據(jù)集KITTI 和自制的騎乘人員頭盔數(shù)據(jù)集Helmet 上的檢測精度分別提高了1.9和2.1個百分點，檢測速度分別達到了69 FPS和68 FPS。本文通過改進YOLOv5s算法模型，在保持算法速度和體量優(yōu)勢的同時獲得了更高的檢測精度，相比其他主流目標檢測算法模型，本文改進算法更適用于復雜道路背景下的目標檢測。