DBA-YOLO:一种基于轻量级神经网络的密集目标检测模型
Zhiyong He1, Jiahong Yang1, Hongtian Ning1
1College of Information Science and Engineering, Hunan Normal University, Changsha 410000, China.
Journal of imaging
|October 28, 2025
概括
本研究介绍了DBA-YOLO,这是一种轻量级的深度学习模型,用于高效的工业目标检测. 它提高了小,密集的物体的精度,同时降低了移动设备的计算负载.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 机器学习 机器学习
背景情况:
- 工业深度学习模型在密集的小目标上扎着计算复杂性和准确性.
- 现有的模型在现实场景中经常失败,原因是错过的/错误的检测来自复杂的背景和类间相似性.
研究的目的:
- 开发基于YOLOv10的轻量级模型DBA-YOLO,以提高工业应用的推断效率和检测精度.
- 为了应对高计算复杂性,小目标检测和密集目标检测中的复杂背景干扰的挑战.
主要方法:
- 提出了DBA-YOLO,这是一款轻量级的模型,集成了一个C2f PA模块用于特征提取,一个参数精细的BIMAFPN子用于小目标检测,以及一个DyDHead模块用于空间特征加权.
- 利用模型压缩和算法优化技术来降低计算复杂性.
- 为验证,构建了一个真实世界的香烟包装图像数据集.
主要成果:
- 在SKU-110K和定制数据集上,DBA-YOLO实现了91.3%的检测准确度,比基线高1.4%.
- 在平均平均精度 (mAP) 和mAP75.5中显示出2-3%的改进.
- 模型参数减少了3.6%,表明效率提高.
结论:
- DBA-YOLO有效地平衡了高检测性能和计算效率,使其适用于资源有限的工业设备.
- 拟议的模型提供了一个可行的解决方案,用于在具有挑战性的工业环境中准确有效地检测密集的目标.
