基于YOLO-GT網(wǎng)絡(luò)的零售商品目標(biāo)檢測方法

周可鑫，左云波，谷玉海，朱騰騰，卞景藝

（北京信息科技大學(xué) 現(xiàn)代測控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100192）

隨著經(jīng)濟(jì)水平和互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，人們的消費(fèi)觀念也隨之在發(fā)生變化。從傳統(tǒng)的線下消費(fèi)到線上的網(wǎng)店消費(fèi)，再到現(xiàn)在逐漸起步的線下新零售方式，人們不僅重視線上消費(fèi)的便利，還重視線下消費(fèi)的體驗(yàn)［1］。因此，對于傳統(tǒng)線下消費(fèi)場所來說，從商品的供應(yīng)到商品流通的各個環(huán)節(jié)都急需升級改造，來滿足顧客們的消費(fèi)體驗(yàn)。其中，商品結(jié)算環(huán)節(jié)是線下消費(fèi)過程中最重要的一環(huán)，傳統(tǒng)的結(jié)算方式還是以人工為主，由收銀員一步一步完成商品的清點(diǎn)和結(jié)算工作，效率非常低，尤其在節(jié)假日，顧客會花費(fèi)大量時間用于排隊(duì)結(jié)算，這大大影響了顧客的消費(fèi)體驗(yàn)。因此，提出一種能滿足自動清點(diǎn)，實(shí)時結(jié)算，方便部署且具有很高的應(yīng)用價值以及學(xué)術(shù)價值［2］的零售商品檢測方法尤為重要?；趫D像識別檢測的無人結(jié)算是無人結(jié)算中的一種重要技術(shù)方法。

圖像的目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域的一個重要分支，其目的是檢測出圖片上的所有目標(biāo)的類別信息以及位置信息［3］。2012年ImageNet大賽之后，深度神經(jīng)網(wǎng)絡(luò)得到了飛速發(fā)展，其中最具代表的就是卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，已經(jīng)廣泛應(yīng)用到了目標(biāo)檢測領(lǐng)域中。目前，基于深度學(xué)習(xí)的目標(biāo)檢測方法主要有兩大類，一類是基于提取候選框的兩階段檢測算法，代表有：R-CNN［4］、Fast R-CNN［5］、Faster R-CNN［6］等。此類算法在工作時首先會生成一系列的候選框，之后根據(jù)候選框完成相應(yīng)的分類識別工作。這些算法的優(yōu)點(diǎn)是檢測精度高，缺點(diǎn)是檢測速度較慢，普遍不滿足實(shí)時檢測的需求。另外一類是基于回歸問題的單階段檢測算法，代表有：YOLOv1［7］、YOLOv2［8］、YOLOv3［9］算法以及SSD系列算法［10］。此類算法檢測速度非?？?，但是精度低。目前，檢測性能最優(yōu)的算法是由Alex等在2020CVPR會議上提出的YOLOv4算法，與YOLOv3相比，YOLOv4算法將COCO數(shù)據(jù)集的檢測精度提高了10%，速度提升了12%［11］。近幾年，學(xué)者們還致力于研究在移動端如手機(jī)和嵌入式平臺運(yùn)行的目標(biāo)檢測網(wǎng)絡(luò)，這一類網(wǎng)絡(luò)普遍體積較輕，且性能良好，部署方便。這類網(wǎng)絡(luò)結(jié)構(gòu)代表有：MobileNetV1［12］、MobileNetV2［13］、Mobile-NetV3［14］、ShuffleNetV1［15］、ShuffleNetV2［16］等。由于這類網(wǎng)絡(luò)可以部署靈活，使用方便，因此這類算法是目前目標(biāo)檢測領(lǐng)域研究的重點(diǎn)。

在前人的研究基礎(chǔ)上，本文提出一種改進(jìn)的YOLO-GT目標(biāo)檢測算法，部署在Jetson nano核心板上用于零售商品RPC數(shù)據(jù)集目標(biāo)檢測。YOLOv3-Tiny是YOLOv3的簡化版，其結(jié)構(gòu)輕便，可部署在嵌入式平臺工作，運(yùn)行速度與YOLOv3相比要快得多，但缺點(diǎn)是精度低，尤其是對于小目標(biāo)物體檢測來說效果更差。借鑒特征金字塔（FPN）［17］的思想，將YOLOv3-Tiny網(wǎng)絡(luò)的淺層信息與深層信息充分融合，將2個預(yù)測尺度變?yōu)?個預(yù)測尺度，增強(qiáng)對小目標(biāo)檢測的能力。此外，還借鑒了華為公司在2020年CVPR會議提出的線性擴(kuò)展卷積層（Ghostmodule）［18］的思想對網(wǎng)絡(luò)中的卷積層進(jìn)行優(yōu)化，提高網(wǎng)絡(luò)的計(jì)算速度，減少網(wǎng)絡(luò)在工作時所耗費(fèi)的資源，在已經(jīng)增加網(wǎng)絡(luò)層數(shù)的情況下，保證檢測時間不受太大影響。同時，對于激活函數(shù)進(jìn)行更新，利用Mish［19］激活函數(shù)替代原先的Leaky Relu和ReLu激活函數(shù)，進(jìn)一步優(yōu)化提升網(wǎng)絡(luò)的非線性擬合能力。最后，重新根據(jù)數(shù)據(jù)集優(yōu)化先驗(yàn)框的數(shù)目和尺寸，提升網(wǎng)絡(luò)在預(yù)測時的檢測精度和速度。將改進(jìn)的YOLOv3-Tiny網(wǎng)絡(luò)命名為YOLO-GT。經(jīng)過實(shí)驗(yàn)，對于同一商品數(shù)據(jù)集YOLO-GT與YOLOv3-Tiny相比，mAP提升了1.84%。檢測單張圖片速度提升464 ms。與原YOLOv3-Tiny網(wǎng)絡(luò)相比性能得到提升，并且滿足無人結(jié)算的使用要求。

1 YOLOv3-Tiny算法

1.1 YOLOv3-Tiny網(wǎng)絡(luò)結(jié)構(gòu)

基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)主要由3個部分組成，首先是用于特征提取的主干網(wǎng)絡(luò)（Back-Bones）部分，其次是用于特征融合的分析網(wǎng)絡(luò)部分（Neck），最后是用于結(jié)果預(yù)測的部分（Heads）。在YOLOv3-Tiny中，用于特征提取的網(wǎng)絡(luò)由7個3×3的卷積層以及6個步長為2的池化層組成［20］。特征融合部分依然采用YOLOv3的思想，借鑒FPN思想，將網(wǎng)絡(luò)淺層信息與深層信息融合。實(shí)現(xiàn)了2個尺度（13×13，26×26）的預(yù)測，保證了對小目標(biāo)物體檢測的能力。同時，每個尺度依然分配3個先驗(yàn)框（anchor box），可實(shí)現(xiàn)多目標(biāo)檢測，不僅加快模型收斂的速度，還保證了預(yù)測精度。預(yù)測部分與YOLOv3也相同，由YOLO層完成。YOLO層之前的卷積層的卷積核個數(shù)由類別數(shù)確定，計(jì)算公式為：

YOLOv3-Tiny的結(jié)構(gòu)如圖1所示。

圖1 YOLOv3-Tiny網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 YOLOv3-Tiny損失函數(shù)

YOLOv3-Tiny的損失函數(shù)依然延續(xù)整個YOLO系列算法的思想，由3個部分組成。分別是定位損失，分類損失以及置信度損失［21］。網(wǎng)絡(luò)訓(xùn)練時，YOLO的每個單元格會預(yù)測多個邊界框，最終只選擇與目標(biāo)框（ground truth）目標(biāo)具有最高IOU的那個框作為預(yù)測框（bounding box）。YOLOv3-Tiny使用預(yù)測值和目標(biāo)框之間的誤差平方求和來計(jì)算損失。每個目標(biāo)框的目標(biāo)僅僅與一個先驗(yàn)框相關(guān)聯(lián)。如果一個目標(biāo)框的目標(biāo)沒有分配先驗(yàn)框，則不會導(dǎo)致分類損失和定位損失，只會擁有置信度損失。YOLOv3-Tiny的損失函數(shù)計(jì)算公式為：

1.2.1 定位損失

YOLOv3-Tiny相比于前幾個版本的YOLO算法，在定位損失計(jì)算上有所不同。YOLOv3-Tiny的預(yù)測框（bounding box）生成與先驗(yàn)框（anchor box）有關(guān)。網(wǎng)絡(luò)在生成預(yù)測框時，不再直接預(yù)測預(yù)測框的具體尺寸，而是首先預(yù)測出預(yù)測框與先驗(yàn)框相比的寬高偏移值（tw，th）以及相對單元格的中心坐標(biāo)的偏移值（tx，ty），再經(jīng)過計(jì)算得到具體的預(yù)測邊界框尺寸，如圖2所示。

圖2 先驗(yàn)框與預(yù)測框關(guān)系示意圖

圖中的虛線框?yàn)橄闰?yàn)框，實(shí)線框?yàn)轭A(yù)測框。其中pw和ph為先驗(yàn)框的寬高尺寸，bw和bh為預(yù)測框的具體寬高尺寸，由偏移值和先驗(yàn)框的尺寸計(jì)算得到。cx和cy為單元格左上角點(diǎn)相對于整張圖片的坐標(biāo)值。σ（）為引用的Sigmoid函數(shù)，目的是將偏移值tx、ty壓縮到（0，1）之間，保證模型可以正常收斂。bx和by為計(jì)算得到的邊界框具體的中心點(diǎn)坐標(biāo)。由于網(wǎng)絡(luò)預(yù)測出的是邊界框的各項(xiàng)偏移值，因此計(jì)算定位損失主要是以偏移值為主，式（3）為計(jì)算定位損失的公式：

式中：txi、tyi、twi、thi為預(yù)測框的中心點(diǎn)坐標(biāo)偏移值以及寬高偏移值；為目標(biāo)框的中心點(diǎn)偏移值以及寬高偏移值；M為單元格數(shù)目；N為每個單元格預(yù)測預(yù)測框的數(shù)目；代表目標(biāo)性，當(dāng)檢測目標(biāo)的中點(diǎn)落入第i個單元格中的第j個預(yù)測框時取1，否則取0；λcoordinate為2部分損失各自所占權(quán)重大小。

1.2.2 分類損失

YOLOv3-Tiny網(wǎng)絡(luò)在訓(xùn)練時，利用二元交叉熵?fù)p失作為分類損失。摒棄了softmax分類器，將分類問題轉(zhuǎn)化成了回歸問題，可實(shí)現(xiàn)多目標(biāo)分類，分類損失計(jì)算公式為：

式中：M為單元格數(shù)目；代表目標(biāo)性，當(dāng)?shù)趇個單元格包含有目標(biāo)中心時，取1，反之取0；（pi（c）－（c））2為計(jì)算所得的條件類別概率的平方誤差；pi（c）為預(yù)測到的目標(biāo)屬于類別c的概率；為真實(shí)的條件類別概率。

1.2.3 置信度損失

若預(yù)測框中包含有檢測目標(biāo)，置信度損失為：

式中：Conf表示預(yù)測框的置信度；表示單元格內(nèi)有目標(biāo)，且目標(biāo)屬于類別i的條件概率。置信度分?jǐn)?shù)表示預(yù)測框與目標(biāo)的匹配程度。當(dāng)預(yù)測框中不包含檢測目標(biāo)時，同樣需要計(jì)算置信度損失，計(jì)算公式為：

在實(shí)際網(wǎng)絡(luò)訓(xùn)練過程中，大部分的預(yù)測框是不包含任何目標(biāo)的，如果不加處理直接計(jì)算，會導(dǎo)致類不平衡的問題，即在訓(xùn)練中頻繁地在檢測背景而不是目標(biāo)，為了解決這一問題，需要引入損失因子λnoobj，借助損失因子將這部分的損失所占比重降低。因此，總的置信度損失為式（5）和式（7）之和：

2 YOLO-GT網(wǎng)絡(luò)

綜合考慮原YOLOv3-Tiny在識別時的各種問題，從改變網(wǎng)絡(luò)結(jié)構(gòu)以及優(yōu)化訓(xùn)練方案2個方向出發(fā)，對YOLOv3-Tiny進(jìn)行優(yōu)化，提出YOLO-GT網(wǎng)絡(luò)。

2.1 優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)

2.1.1 線性擴(kuò)展的卷積層

在各種CNN模型中，圖像經(jīng)過卷積層的處理會生成大量的特征圖，這些生成的特征圖并不都是獨(dú)一無二的，大部分的特征圖與特征圖之間存在很大的相似性，我們將其稱之為特征圖的冗余［18］。特征圖的冗余對于網(wǎng)絡(luò)訓(xùn)練是非常重要的。圖3為ResNet－50網(wǎng)絡(luò)某一個卷積層輸出的特征圖可視化。

圖3 ResNet－50特征圖可視化

圖3中圈出了3組相似的特征圖。線性擴(kuò)展卷積層思想著眼于卷積層生成的特征圖冗余，提出在生成特征圖時，一部分特征圖代表著圖像的本質(zhì)特征，而另一部分特征則是與本質(zhì)特征相似的冗余特征，在生成冗余特征時，無需按部就班借助大量卷積核生成，可用一系列簡單的線性操作代替卷積核生成特征圖冗余，這樣做不僅可以加快網(wǎng)絡(luò)的計(jì)算速度，還可以減輕網(wǎng)絡(luò)的“重量”。因此可對普通卷積層進(jìn)行修改，分2步生成完整的特征圖，如圖4所示。

圖4 卷積層特征圖

從圖4（a）（b）中可看出，在普通卷積層的操作中，可直接生成特征圖。而線性擴(kuò)展卷積層是將卷積層分為了2個部分，首先是利用普通的少量卷積對輸入圖像進(jìn)行操作，生成圖像的本質(zhì)特征。之后利用一系列的線性操作，通過本質(zhì)特征生成更多的特征，這部分新生成的特征就是冗余特征，最后將2個部分特征堆疊，完成整個卷積操作。利用線性操作生成特征圖這一步驟中，借鑒了深度可分離卷積的思想（depthwise separable convolution）［22］，對每一個本質(zhì)特征圖都會進(jìn)行線性操作，生成冗余特征圖。整個過程可以表示為：

式中：f′表示少量的卷積核；Y′表示生成的本質(zhì)特征圖集合；y′i表示本質(zhì)特征圖集合中的第i個特征圖；δi，j表示用于生成第j個冗余特征圖的第j個線性計(jì)算公式；yi，j表示生成的冗余特征圖集合。一共可以得到m·s個特征圖。這里的線性操作選擇3×3卷積操作。因?yàn)榫矸e是一個高效的計(jì)算方式，不僅涵蓋了很多廣泛使用的線性計(jì)算，而且硬件對于卷積也提供了很好的支持。使用線性擴(kuò)展卷積層思想的卷積層，能有效降低卷積計(jì)算的成本，加快網(wǎng)絡(luò)的計(jì)算時間。借助線性擴(kuò)展卷積層的思想，對YOLOv3-Tiny主干網(wǎng)絡(luò)中的卷積層進(jìn)行優(yōu)化，使得主干網(wǎng)絡(luò)變得輕量化的同時，提升網(wǎng)絡(luò)提取圖片特征信息的速度。

2.1.2 特征融合優(yōu)化

在特征融合優(yōu)化方面，依然借助FPN的思想，充分利用網(wǎng)絡(luò)的淺層信息和深層信息，采用上采樣的方式融合網(wǎng)絡(luò)淺層特征和深層特征，得到不同尺度的特征預(yù)測圖。具體操作是，將網(wǎng)絡(luò)的第15層輸出特征與第48層輸出特征融合，將網(wǎng)絡(luò)的第17層輸出特征與第37層特征融合，使得原2個預(yù)測尺度的網(wǎng)絡(luò)變?yōu)?個預(yù)測尺度網(wǎng)絡(luò)，增強(qiáng)了網(wǎng)絡(luò)對于小目標(biāo)商品的檢測能力。網(wǎng)絡(luò)層數(shù)雖然較之前更深了，但是上述卷積層的優(yōu)化正好彌補(bǔ)了這一部分改變可能帶來的負(fù)面作用，使得網(wǎng)絡(luò)變得更加輕便，更加緊湊。優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)得到的YOLO-GT網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 YOLO-GT網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 優(yōu)化訓(xùn)練方案

2.2.1 Mish激活函數(shù)的使用

YOLOv3-Tiny的激活函數(shù)選擇的是ReLu和Leaky ReLu。盡管這2個激活函數(shù)已經(jīng)被廣泛應(yīng)用到深度學(xué)習(xí)領(lǐng)域，甚至成為激活函數(shù)的標(biāo)準(zhǔn)選擇，但是在實(shí)際使用的過程中，還是有一些無法忽略的缺點(diǎn)。如圖6所示，Relu在x＞0的區(qū)域是正比例曲線，避免了梯度飽和以及梯度爆炸的情況發(fā)生，但是在x＜0的區(qū)域，Relu將所有的值都置為0。在網(wǎng)絡(luò)實(shí)際運(yùn)行過程中，x小于0時對應(yīng)的梯度也小于0，導(dǎo)致后續(xù)神經(jīng)元的梯度都為0，造成“神經(jīng)元壞死”現(xiàn)象，影響網(wǎng)絡(luò)的訓(xùn)練測試效果。此外，ReLu不是0均值輸出，會造成偏置現(xiàn)象，對數(shù)據(jù)的分布變動影響較大。

圖6 ReLU激活函數(shù)曲線

如圖7所示的Leaky ReLu彌補(bǔ)了ReLu的不足，用一個非常小斜率的正比例函數(shù)處理x＜0情況的值，避免了“神經(jīng)元壞死”的現(xiàn)象發(fā)生，使得ReLu在負(fù)區(qū)域以激活替代之前的置0，保留部分x＜0的信息，使得網(wǎng)絡(luò)在訓(xùn)練階段更加穩(wěn)定。

圖7 LeakyReLU函數(shù)曲線

選擇Mish激活函數(shù)替換原有的Relu以及Leaky Relu。Mish激活函數(shù)的公式為：

式（11）為目標(biāo)函數(shù)，由相應(yīng)樣本的隸屬度以及該樣本到各個聚類中心的距離相乘得到。Mish是一個非單調(diào)光滑激活函數(shù)，同時繼承了ReLu和Leaky ReLu的下有界上無界的優(yōu)點(diǎn)，產(chǎn)生很強(qiáng)正則化效果的同時，又能避免發(fā)生梯度飽和和梯度消失的情況。另外，對于負(fù)區(qū)域，Mish用一條光滑曲線替換了Leaky ReLu的正比例曲線，提高了表達(dá)能力以及梯度流，同時非單調(diào)特性使得小的負(fù)輸入成為小的負(fù)輸出。此外，學(xué)者們通過大量實(shí)驗(yàn)也證明了光滑的激活函數(shù)會使得網(wǎng)絡(luò)獲得更好的信息，從而可以提高準(zhǔn)確性和泛化能力。Mish在深度網(wǎng)絡(luò)中的表現(xiàn)要優(yōu)于ReLu和Leaky ReLu。因此，本文選擇Mish作為YOLO-GT的激活函數(shù)，其曲線如圖8所示。

圖8 Mish激活函數(shù)曲線

2.2.2 優(yōu)化錨框數(shù)目及尺寸

YOLOv3-Tiny根據(jù)COCO數(shù)據(jù)集，利用Kmeans算法得到9個先驗(yàn)框的具體尺寸。這里采用模糊C均值（FCM）聚類算法，以實(shí)驗(yàn)使用的RPC零售商品數(shù)據(jù)集為準(zhǔn)來重新獲取先驗(yàn)框的尺寸。FCM不同于K-means，它是以模糊概念為核心思想，基于目標(biāo)函數(shù)，利用每個樣本點(diǎn)屬于某一類別的隸屬度及距離各聚類中心的距離來確定這個樣本點(diǎn)具體屬于哪一類。FCM聚類算法的目標(biāo)函數(shù)以及約束條件為：

式中：c代表想要得到的聚類個數(shù)；n代表數(shù)據(jù)集中樣本點(diǎn)個數(shù)；表示樣本j屬于類別i的隸屬度，m為隸屬度因子。式（12）為約束條件，即所有樣本點(diǎn)的隸屬度之和為1。當(dāng)目標(biāo)函數(shù)在約束條件下取得極小值點(diǎn)或者在一定范圍內(nèi)微小變化時，我們就認(rèn)為此時的聚類中心為迭代出來的最優(yōu)聚類中心，因此需要分別對目標(biāo)函數(shù)中的umij以及c求導(dǎo)，令其導(dǎo)數(shù)為0，這樣就可以分別求出二者的迭代表達(dá)式，結(jié)果為：

步驟1根據(jù)RPC數(shù)據(jù)集的標(biāo)注信息初始化9個anchor box。

步驟2將聚類中心信息代入到式（14），迭代出隸屬度數(shù)值。

步驟3 將得到的和c代入到式（12）得到新的目標(biāo)函數(shù)值，與上一次的目標(biāo)函數(shù)值比較，若變化范圍在一定閾值內(nèi)，確定此時的聚類中心為最優(yōu)聚類中心即所需最優(yōu)的anchor box，否則，進(jìn)行步驟4。

步驟4利用式（15）迭代出新的聚類中心，返回步驟2。

經(jīng)過FCM聚類算法重新得到anchor box的具體尺寸為：［49，45］，［40，70］，［79，50］，［62，72］，［51，127］，［82，87］，［127，72］，［105，115］，［147，150］。

3 實(shí)驗(yàn)

3.1 RPC零售商品數(shù)據(jù)集

實(shí)驗(yàn)采用曠視公司提供的RPC零售商品開源數(shù)據(jù)集，共200類商品目標(biāo)。其中訓(xùn)練集共有圖片53 736張，測試集共有圖片24 000張，圖片像素大小為1 830×1 830。圖片均采集自真實(shí)結(jié)算場景，滿足實(shí)驗(yàn)要求。使用前，將RPC零售商品數(shù)據(jù)集的格式統(tǒng)一轉(zhuǎn)換成為供darknet框架使用的VOC格式，每一張樣本圖片都有一個對應(yīng)的擁有該樣本圖片標(biāo)注信息的xml文件，再經(jīng)過進(jìn)一步轉(zhuǎn)換，將xml格式標(biāo)注文件轉(zhuǎn)化為txt格式標(biāo)注文件，完成數(shù)據(jù)集的準(zhǔn)備工作。

3.2 網(wǎng)絡(luò)訓(xùn)練

YOLO-GT網(wǎng)絡(luò)初始化設(shè)置信息為：將Batch和subdivisions設(shè)置為64和16，其中，Batch是指網(wǎng)絡(luò)經(jīng)過訓(xùn)練Batch張圖片后更新一次權(quán)重，subdivisions是指，網(wǎng)絡(luò)每組訓(xùn)練subdivisions張圖片。初始學(xué)習(xí)率設(shè)置為0.001，其決定網(wǎng)絡(luò)模型的參數(shù)更新的幅度大小。迭代次數(shù)設(shè)置為50 000，每經(jīng)過45 000和48 000次迭代后更改學(xué)習(xí)率，每次更改的學(xué)習(xí)率較上次相比縮小10倍。具體的網(wǎng)絡(luò)訓(xùn)練環(huán)境如表1所示。

表1 網(wǎng)絡(luò)訓(xùn)練環(huán)境

利用RPC開源數(shù)據(jù)集，同時對YOLO-GT網(wǎng)絡(luò)與YOLOv3-Tiny網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到的訓(xùn)練損失收斂圖如圖9所示，2種網(wǎng)絡(luò)單次運(yùn)行的計(jì)算次數(shù)如表2所示，工作時占用的空件大小如表3所示。

表2 計(jì)算次數(shù)

表3 占用空間大小

圖9 YOLOv3-Tiny與YOLO-GT網(wǎng)絡(luò)訓(xùn)練損失收斂圖

從圖9（a）（b）中可以看出，YOLO-GT網(wǎng)絡(luò)訓(xùn)練過程比YOLOv3-Tiny網(wǎng)絡(luò)穩(wěn)定，且收斂速度更快。最終YOLO-GT網(wǎng)絡(luò)的損失值收斂到0.6左右，YOLOv3-Tiny網(wǎng)絡(luò)損失值收斂到0.8左右，滿足訓(xùn)練停止條件，證明設(shè)置訓(xùn)練次數(shù)為50 000是合理的。

從表2中可以看出，改進(jìn)后的網(wǎng)絡(luò)單次運(yùn)行時的計(jì)算量比原網(wǎng)絡(luò)減少2.342 BFLops，這得益于對卷積層的優(yōu)化，較少的計(jì)算量保證了網(wǎng)絡(luò)提取圖片特征的速度得到了提升，同時，從表3可以看出，YOLO-GT工作時占用的空間大小約為YOLOv3-Tiny的1／4，大大減少了對于資源的占用，更易于部署運(yùn)行在嵌入式平臺或其他移動端。

3.3 網(wǎng)絡(luò)測試及結(jié)果對比分析

將訓(xùn)練好的網(wǎng)絡(luò)模型移植到Jetson Nano核心板上，利用RPC數(shù)據(jù)集中的測試集部分對各網(wǎng)絡(luò)模型進(jìn)行測試，選擇平均檢測準(zhǔn)確率（mAP）和召回率（Recall）以及網(wǎng)絡(luò)檢測時間（ms）作為評價指標(biāo)。其中平均檢測準(zhǔn)確率是準(zhǔn)確率（AP）的平均值，準(zhǔn)確率指的是預(yù)測正確的結(jié)果占總樣本的百分比。平均檢測準(zhǔn)確率及準(zhǔn)確率的計(jì)算公式為［23］：

式中：m為類別總數(shù)；Precisionc為類別c的精確率之和；Nc為包含類別c的圖片之和。Precisionc是指在被所有預(yù)測為類別c的樣本中實(shí)際為樣本c的概率，計(jì)算公式為：

召回率（Recall）是指實(shí)際為正的樣本被預(yù)測為正樣本的概率。在這里是指所有被正確檢測出的類別c個數(shù)占類別c樣本總個數(shù)的比例，計(jì)算公式為：

式中：N（True）c代表正確檢測出類別c的樣本數(shù)目；N（True）c代表類別c樣本集中沒有被檢測出的數(shù)目。

網(wǎng)絡(luò)在訓(xùn)練的過程中，每經(jīng)過4次epoch對測試集進(jìn)行一次檢測，并記錄檢測結(jié)果mAP。其中1次epoch是指網(wǎng)絡(luò)對數(shù)據(jù)集進(jìn)行一次完整的訓(xùn)練。2個網(wǎng)絡(luò)檢測測試集的mAP變化如圖10所示。

圖10 mAP變化曲線

圖10中的實(shí)線表示的是YOLO-GT網(wǎng)絡(luò)的平均檢測精度變化趨勢，虛線表示的是YOLOv3-Tiny網(wǎng)絡(luò)的平均檢測精度變化趨勢。從圖中可以看到，在前20 000次左右的訓(xùn)練迭代中，YOLOv3-Tiny對于測試集的檢測精度要比改進(jìn)后的網(wǎng)絡(luò)高。但是之后YOLOv3-Tiny網(wǎng)絡(luò)的檢測精度突然變差，從93%突然降到了52%。而YOLO-GT的檢測精度一直在平穩(wěn)上升，在經(jīng)過25 000次左右迭代后平均檢測精度超過了YOLOv3-Tiny網(wǎng)絡(luò)。最終YOLOv3-Tiny的平均檢測精度穩(wěn)定在95%左右，YOLO-GT的平均檢測精度穩(wěn)定在97%左右。最終選擇二者最佳檢測精度作為最終結(jié)果記錄下來。

實(shí)驗(yàn)時，還選擇引入YOLO的其他版本Tiny網(wǎng)絡(luò)進(jìn)行訓(xùn)練測試，得到各自最優(yōu)的檢測精度以及召回率，結(jié)果如表4所示。

表4 不同網(wǎng)絡(luò)對于RPC數(shù)據(jù)集的檢測結(jié)果%

從表中4中的數(shù)據(jù)可以看出，YOLO-GT的平均檢測精度與YOLOv3-Tiny相比，增長了1.84個百分點(diǎn)，與YOLOv2－Tiny相比，增長了8.62個百分點(diǎn)，與Tiny-YOLO相比，增長了36.35個百分點(diǎn)。召回率方面，YOLO-GT與YOLOv3-Tiny相比增長了2.08個百分點(diǎn)，與YOLOv2-Tiny相比，增長了7.55個百分點(diǎn)，與Tiny-YOLO相比，增長了37.4個百分點(diǎn)。從綜合比較結(jié)果來看，YOLO-GT具有較高的檢測性能，提升了原YOLOv3-Tiny網(wǎng)絡(luò)的檢測精度，并且通過與其他版本的Tiny網(wǎng)絡(luò)比較優(yōu)勢更為明顯，準(zhǔn)確率和召回率均已經(jīng)超過了95%，滿足RPC目標(biāo)檢測的基本要求。其次，對各網(wǎng)絡(luò)對于每張圖片的平均檢測時間進(jìn)行了記錄，結(jié)果如表5所示。

表5 不同網(wǎng)絡(luò)對于RPC數(shù)據(jù)集的檢測速度

從表5中可以看出，YOLO-GT的檢測速度為342.67 ms，與YOLOv3-Tiny相比提升469.56 ms，約57.81%。得益于對卷積層的優(yōu)化，網(wǎng)絡(luò)在檢測時速度得到了很大提升，更容易滿足實(shí)時檢測的使用需求。

綜合以上所得的性能指標(biāo)信息，可以看出改進(jìn)后的YOLO-GT提升檢測速度的同時，準(zhǔn)確率也有小幅度提升。同時，YOLO-GT自身輕便，很容易部署在嵌入式平臺或其他移動端平臺，方便使用。從各類數(shù)值分析可以得出結(jié)論，優(yōu)化改進(jìn)得到的新目標(biāo)檢測網(wǎng)絡(luò)YOLO-GT網(wǎng)絡(luò)在計(jì)算速度，檢測速度，平均準(zhǔn)確率，召回率等方面都有所提升，單張檢測時間342.67 ms證明可實(shí)現(xiàn)實(shí)時RPC目標(biāo)檢測，具有良好的性能。接下來將通過實(shí)際檢測場景對比進(jìn)一步說明YOLO-GT網(wǎng)絡(luò)的高性能。

3.4 實(shí)景檢測

利用真實(shí)場景拍到的圖片數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行測試。如圖11所示，共列舉出來了4種檢測對比圖，其中左側(cè)為YOLOv3-Tiny的檢測圖，右側(cè)為YOLO-GT的檢測圖。前2組為少量商品的檢測結(jié)果圖，從圖中可以看到，YOLOv3-Tiny對小目標(biāo)商品的檢測效果較差，出現(xiàn)了漏檢的現(xiàn)象。此外，商品之間間距較小時，YOLOv3-Tiny的檢測準(zhǔn)確率也偏低，漏檢現(xiàn)象更為明顯。作為對比，YOLO-GT對于小目標(biāo)商品檢測效果較好，同時在商品間距變小時，依然表現(xiàn)出了較高的檢測準(zhǔn)確率。后2組為大數(shù)量商品場景的檢測結(jié)果圖，從圖中可以看出YOLOv3-Tiny漏檢現(xiàn)象更為明顯，而且還出現(xiàn)了錯檢現(xiàn)象。YOLO-GT網(wǎng)絡(luò)在大數(shù)量商品場景下表現(xiàn)更為優(yōu)越，即使商品數(shù)量多，彼此間隔小，依然可以全部正確檢測出來。通過綜合分析可以得出結(jié)論，改進(jìn)得到Y(jié)OLO-GT網(wǎng)絡(luò)的檢測性能優(yōu)于YOLOv3-Tiny，尤其是對于小目標(biāo)商品檢測以及大數(shù)量商品檢測，同時，YOLO-GT的漏檢率和錯檢率都遠(yuǎn)遠(yuǎn)低于YOLOv3-Tiny。YOLO-GT表現(xiàn)出較高的檢測性能，檢測速度和檢測準(zhǔn)確率均滿足使用要求。

圖11 YOLOv3-Tiny與YOLO-GT檢測圖

4 結(jié)論

以YOLOv3-Tiny網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行優(yōu)化，提出一種用于零售商品RPC自動結(jié)算場景的新的目標(biāo)檢測網(wǎng)絡(luò)YOLO-GT。YOLO-GT主要對原網(wǎng)絡(luò)的卷積層以及特征融合方式進(jìn)行了線性擴(kuò)展與FPN融合優(yōu)化，利用Mish函數(shù)優(yōu)化激活函數(shù)以及FCM優(yōu)化先驗(yàn)框的尺寸和數(shù)目，保證網(wǎng)絡(luò)變得輕便的同時準(zhǔn)確率也可以得到小幅度提高。最終，利用曠視RPC零售商品數(shù)據(jù)集在嵌入式平臺Jetson Nano進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明YOLO-GT對于零售商品數(shù)據(jù)集的mAP與YOLOv3-Tiny相比提高1.84%，速度提高57.81%。同時，利用實(shí)景數(shù)據(jù)進(jìn)行檢測，與YOLOv3-Tiny相比降低了漏檢率和錯檢率。對于零售商品而言，YOLO-GT的檢測效果更佳，滿足無人結(jié)算的使用要求，具有很強(qiáng)的應(yīng)用價值。