Mejorar YOLOv5 para la conducción autónoma: detección eficiente de objetos basada en la atención en dispositivos de...

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• Sistemas autónomos

Sus antecedentes:

• La detección de objetos es crucial para la seguridad y la eficiencia de la conducción autónoma.
• Los modelos de aprendizaje profundo son efectivos, pero son costosos en términos computacionales para los dispositivos de borde.
• Se necesitan modelos de detección de objetos ligeros y de alto rendimiento.

Objetivo del estudio:

• Desarrollar modelos de detección de objetos ligeros para la conducción autónoma en tiempo real en dispositivos de borde.
• Integrar estrategias avanzadas de atención de canal (ECA, SE) en la arquitectura de YOLOv5.
• Evaluar el rendimiento del modelo en conjuntos de datos estándar como KITTI y BDD-100K.

Principales métodos:

• Utilizó la arquitectura YOLOv5s como base para la detección de objetos ligeros.
• Módulos integrados de atención de canal eficiente (ECA) y de excitación y compresión (SE).
• Se han formado y evaluado cuatro modelos distintos en los conjuntos de datos KITTI y BDD-100K.
• Evaluación del rendimiento mediante métricas como la precisión, el recuerdo y la precisión media (mAP).

Principales resultados:

• El modelo BaseECAx2 logró los GFLOP más bajos (13) y el tamaño más pequeño (9,1 MB), ideal para dispositivos de borde.
• El modelo BaseSE-ECA demostró una alta precisión con un 96,69% de precisión y un 98,4% de mAP para la detección de vehículos.
• Los modelos mostraron un rendimiento reducido en condiciones difíciles (luz baja, desenfoque de movimiento) en el conjunto de datos BDD-100K.

Conclusiones:

• Los modelos ligeros YOLOv5s con mecanismos de atención ofrecen un equilibrio de rendimiento y eficiencia para la conducción autónoma.
• Los modelos BaseECAx2 y BaseSE-ECA presentan soluciones rentables para el despliegue en tiempo real.
• Se necesita más investigación para mejorar la robustez en escenarios de conducción complejos y reales.