改進(jìn)YOLOv5s的無人機(jī)視角下小目標(biāo)檢測算法

吳明杰，云利軍，陳載清，鐘天澤

1.云南師范大學(xué) 信息學(xué)院，昆明 650500

2.云南省教育廳計算機(jī)視覺與智能控制技術(shù)工程研究中心，昆明 650500

隨著基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)快速發(fā)展，結(jié)合無人機(jī)航拍進(jìn)行目標(biāo)檢測的方法越來越普遍。如森林防火、樓道巡檢、農(nóng)業(yè)監(jiān)測等。無人機(jī)在檢測任務(wù)中提供了高空視角，但是高空視角的圖像會帶來目標(biāo)尺度變化大、目標(biāo)之間相互遮擋的問題，這將導(dǎo)致使用常規(guī)的目標(biāo)檢測算法在進(jìn)行檢測任務(wù)時出現(xiàn)誤檢漏檢問題。因此研究出一個針對無人機(jī)視角下的小目標(biāo)檢測算法模型成為關(guān)鍵的研究內(nèi)容之一。

近幾年以來，伴隨深度學(xué)習(xí)技術(shù)的快速發(fā)展，國內(nèi)外的研究學(xué)者逐漸將深度學(xué)習(xí)技術(shù)應(yīng)用于目標(biāo)檢測。韓玉潔等人[1]在YOLO上進(jìn)行數(shù)據(jù)增強(qiáng)，修改激活函數(shù)，添加CIoU，修改后模型精度有所提升，但模型內(nèi)存占用過大；丁田等人[2]加入注意力以及CIoU，加快了模型收斂的速度，增加檢測準(zhǔn)確率，但也增加了計算成本；冒國韜等人[3]對YOLOv5s算法引入多尺度分割注意力，以應(yīng)對小目標(biāo)背景復(fù)雜及特征提取困難等問題，雖然檢測精度有一定提升，但是犧牲了參數(shù)量；Zhu等人[4]在YOLOv5模型中引入CBAM注意力機(jī)制以解決航拍圖像目標(biāo)模糊的問題，但是改進(jìn)后的模型對硬件性能要求較高，不易實現(xiàn)；Yang等人[5]在YOLOv5網(wǎng)絡(luò)的頸部增加上采樣，形成用于收集小目標(biāo)特征的特征圖，增強(qiáng)了算法的小目標(biāo)檢測能力，但改進(jìn)后的算法提取到的小目標(biāo)特征信息較少，且檢測速度較慢，實時性不足以滿足實際需求。

為了增強(qiáng)YOLOv5s模型對小目標(biāo)特征捕獲的靈活度、緩解特征圖經(jīng)過多次降采樣后信息的丟失、提高模型檢測頭的表示能力、解決回歸計算時誤差太大的問題，本文提出了一種基于YOLOv5s的無人機(jī)航拍小目標(biāo)改進(jìn)算法BD-YOLO。主要貢獻(xiàn)如下：

（1）在模型的11層與12層之間加入雙向路由注意力（bi-level routing attention，BRA）[6]，在不增加過多參數(shù)量的同時，提升模型在特征提取時對小目標(biāo)區(qū)域的關(guān)注度和精確度。

（2）將原模型的目標(biāo)檢測頭部替換成帶自注意力機(jī)制的檢測頭部（dynamic head，DyHead）[7]，提高模型檢測層的表示能力，以應(yīng)對特征圖進(jìn)行多次下采樣后特征信息嚴(yán)重丟失的問題。

（3）使用Focal-EIoU[8]優(yōu)化CIoU在進(jìn)行預(yù)測框回歸計算時誤差較大的問題，提高模型在背景復(fù)雜的圖像中對小目標(biāo)檢測的魯棒性。

1 相關(guān)工作

1.1 小目標(biāo)檢測

目前針對“小目標(biāo)”的定義主要有兩種：一種是絕對尺寸，尺寸小于32×32的目標(biāo)被認(rèn)為是小目標(biāo)；另一種是相對尺寸，根據(jù)國際光電工程學(xué)會定義，小目標(biāo)為256×256像素的圖像中成像面積小于80像素的目標(biāo)，即目標(biāo)的尺寸小于原圖的0.12%則可被認(rèn)為是小目標(biāo)[9]。小目標(biāo)的檢測一直是目標(biāo)檢測中一個具有挑戰(zhàn)性的難題，對于圖像特征的深刻理解是提升小目標(biāo)檢測效果的前提。近年來產(chǎn)生了許多有用的方法來提高小目標(biāo)檢測的性能。

針對小目標(biāo)檢測的難點，Chen等人[10]提出了Stitcher方法，采用損失函數(shù)作為反饋，當(dāng)小目標(biāo)貢獻(xiàn)過小時，則在下一次迭代中通過圖片拼貼的方式提高小目標(biāo)占比以提高小目標(biāo)訓(xùn)練效果。Kisantal等人[11]通過復(fù)制粘貼小目標(biāo)來提高在數(shù)據(jù)集中所占比例，從而提高小目標(biāo)對網(wǎng)絡(luò)的貢獻(xiàn)，提升模型對小目標(biāo)的檢測效果。由于小目標(biāo)在圖像中的占比較小，而數(shù)據(jù)增強(qiáng)中簡單的拼貼可以幫助小目標(biāo)增加其在圖像中占比，可以在一定程度上提高模型對小目標(biāo)的檢測效果，但是數(shù)據(jù)增強(qiáng)只是簡單增加目標(biāo)的比例，并不會提高對深層語義信息的利用。

由于小目標(biāo)的尺寸較小且利用信息少，因此可以利用上下文信息的方式來增強(qiáng)模型的檢測能力。李青援等人[12]在SSD模型中引入一條自深向淺的遞歸反向路徑，通過特征增強(qiáng)模塊將深層包含上下文信息的語義特征增強(qiáng)到淺層。但是，并不是所有的上下文信息都是有效的，當(dāng)圖像中缺少與目標(biāo)關(guān)聯(lián)較高的信息時，會產(chǎn)生冗余的信息噪聲。

1.2 目標(biāo)檢測算法概述

目標(biāo)檢測從早期的傳統(tǒng)方法到目前基于深度學(xué)習(xí)的方法，發(fā)展已經(jīng)有21年。當(dāng)前基于深度學(xué)習(xí)的目標(biāo)檢測算法有兩種：第一種是以Faster RCNN[13]為代表的二階段檢測算法等，該類模型首先利用算法生成預(yù)選框，再使用深度卷積網(wǎng)絡(luò)對預(yù)選框進(jìn)行檢測類別的分類，二階段檢測算法獲得的精度更高，但速度較慢，不能滿足實時性要求較高的場合；第二種是以YOLO[14]、YOLOv3[15]、YOLOv4[16]、YOLOv5以及SSD[17]為代表的單階段檢測算法，通過將檢測框的定位和分類任務(wù)結(jié)合到一起，以達(dá)到快速檢測出目標(biāo)位置的效果，通過適當(dāng)?shù)母倪M(jìn)可同時具有更好的實時性與檢測精度。

1.3 YOLOv5s概述

YOLOv5屬于一種單階段的目標(biāo)檢測算法，可以實現(xiàn)端到端目標(biāo)檢測，運行速度快，但是在檢測精度上相較于二階段的RCNN算法略低。YOLOv5一共有4個版本：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，四個版本的區(qū)別在于網(wǎng)絡(luò)的深度和寬度，YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)是YOLOv5系列中深度最小且特征圖的寬度最小的。另外三種都是在YOLOv5s基礎(chǔ)上不斷加深、不斷加寬。YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)較簡潔，運行速度也最快，對于小目標(biāo)應(yīng)用場景的考慮，本研究選擇使用YOLOv5s模型。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv5s結(jié)構(gòu)Fig.1 YOLOv5s structure

YOLOv5s模型的網(wǎng)絡(luò)結(jié)構(gòu)中，可分為輸入端、Backbone網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)、Head輸出層4個部分。

（1）輸入端：輸入端對輸入進(jìn)來的圖像進(jìn)行一個Mosaic數(shù)據(jù)增強(qiáng)處理，首先對幾張圖像進(jìn)行隨機(jī)縮放、剪裁、排布，然后將圖像進(jìn)行隨機(jī)拼接，如圖2所示。通過Mosaic處理后不僅可以豐富數(shù)據(jù)集，還可以提升模型訓(xùn)練的速度。YOLOv5s算法會針對不同類型的數(shù)據(jù)集自適應(yīng)計算出最佳的錨點框。

圖2 Mosaic數(shù)據(jù)增強(qiáng)Fig.2 Mosaic data enhancement

（2）Backbone網(wǎng)絡(luò)：YOLOv5s的Backbone網(wǎng)絡(luò)中由CSP[18]、CBS和SPPF模塊組成，分別為特征提取模塊、卷積模塊和空間金字塔池化模塊。CSP結(jié)構(gòu)分為兩類：CSP1_X、CSP2_1，其中，Resx模塊中有兩種模式，一種是卷積之后使用shortcut與初始輸入相加后輸出，另一種是卷積之后直接輸出，如圖3所示。CBS由Conv、BN歸一層和Leaky relu激活函數(shù)組成，如圖3所示。該版本的SPPF模塊進(jìn)行多個5×5的MaxPool2d操作，不再使用原先的1×1，5×5，9×9，13×13的最大池化，這樣可以提高模型的推理速度。

圖3 CSP和CBS結(jié)構(gòu)Fig.3 Structure of CSP and CBS

（3）Neck網(wǎng)絡(luò)：Neck由特征金字塔網(wǎng)絡(luò)（feature pyramid network，F(xiàn)PN）[19]和路徑聚合網(wǎng)絡(luò)（path aggregation network，PAN）[20]組成。FPN自頂向下傳達(dá)強(qiáng)化語義特征，PAN自底向上傳達(dá)強(qiáng)化位置特征，F(xiàn)PN+PAN的結(jié)構(gòu)將不同階段的特征圖進(jìn)行特征融合，提高了模型對小目標(biāo)檢測的精度。

（4）Head輸出層：Head的主體為三個Detect檢測器。當(dāng)輸入的圖像尺寸為640×640時，Head層先對Neck層的三個輸出進(jìn)行卷積操作，再在三個尺度分別為20×20、40×40、80×80的特征圖上生成對應(yīng)的預(yù)測框。

目前YOLOv5s模型仍然在大多數(shù)目標(biāo)檢測任務(wù)中發(fā)揮巨大的優(yōu)勢，但是由于YOLOv5s使用過多的超參數(shù)來優(yōu)化模型訓(xùn)練，因此模型訓(xùn)練的時間相對較慢。在檢測小目標(biāo)時，由于YOLOv5s特征提取網(wǎng)絡(luò)使用了較大的感受野，可能導(dǎo)致小目標(biāo)信息的丟失。在應(yīng)用場景中，YOLOv5s模型相對復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)需要更高的計算資源，在結(jié)合硬件環(huán)境部署模型時，將對硬件提出更高的要求。

計算復(fù)雜度是指模型進(jìn)行一次前向傳播所需要的浮點運算次數(shù)，可以通過計算模型每層的計算量，然后求和得到整個模型的計算復(fù)雜度。對于YOLOv5s算法的復(fù)雜度，需要結(jié)合參數(shù)量、計算量、內(nèi)存需求和推理速度這幾個方面進(jìn)行考量。YOLOv5算法中4個不同版本的參數(shù)如表1所示。通常來說，一個模型的參數(shù)量越多模型越復(fù)雜。從表1可以看出，YOLOv5s相較于其他版本是最輕量級的模型。

表1 YOLOv5算法不同版本的參數(shù)Table 1 YOLOv5 algorithm different versions of parameters

2 BD-YOLO算法

2.1 BD-YOLO算法結(jié)構(gòu)

根據(jù)小目標(biāo)檢測任務(wù)的特點，提出了針對小目標(biāo)檢測的BD-YOLO模型。引入動態(tài)稀疏注意力機(jī)制BRA來提高小目標(biāo)檢測精度，使用帶有注意力機(jī)制的檢測頭DyHead來提高模型的表達(dá)能力，以及采用更適合小目標(biāo)檢測的損失函數(shù)Focal-EIoU Loss來提高模型的預(yù)測精度。BD-YOLO算法結(jié)構(gòu)如圖4所示。

圖4 BD-YOLO結(jié)構(gòu)Fig.4 BD-YOLO structure

2.2 Bi-level Routing Attention注意力

目前常用的注意力機(jī)制SE[21]、CA[22]、ECA[23]、CBAM[24]等，都是在一個全局范圍獲取重點關(guān)注的目標(biāo)，將會導(dǎo)致計算復(fù)雜度較高以及消耗大量的內(nèi)存。為了提高模型特征提取能力，同時在不增加過多網(wǎng)絡(luò)計算復(fù)雜度的情況下，在模型的11層與12層之間添加一種動態(tài)稀疏注意力機(jī)制（bi-level routing attention，BRA），以實現(xiàn)更強(qiáng)大的特征提取能力，更靈活地計算分配和內(nèi)容感知。BRA注意力機(jī)制的原理如圖5所示。BRA先將輸入進(jìn)來的一張?zhí)卣鲌DX∈RH×W×C，劃分為S×S個不同的區(qū)域，每個區(qū)域包含個特征向量，即可將X變?yōu)?。通過線性映射獲得Q,K,Q,K,V的具體表達(dá)式如公式（1）～（3）所示：

圖5 BRA注意力原理Fig.5 BRA attention principle

其中，Wq,Wk,Wv∈RC×C，分別屬于query、key、value的投影權(quán)重。然后通過構(gòu)造一個有向圖找到不同鍵值對對應(yīng)的參與關(guān)系，最后應(yīng)用細(xì)粒度的token-to-token注意力操作，計算公式（4）如下：

其中，Kg和Vg是聚合后key和value的tensor，函數(shù)LCE(?)使用深度卷積參數(shù)化，在BD-YOLO模型的設(shè)計中所使用的參數(shù)值為5。BRA通過稀疏性操作直接省略最不相關(guān)區(qū)域的計算，以實現(xiàn)計算有效分配的目的。全局注意力與BRA注意力實現(xiàn)效果對比如圖6所示。

2.3 自注意力檢測頭

YOLOv5s模型只有三個檢測頭，當(dāng)該模型對小目標(biāo)進(jìn)行檢測時，對較小的目標(biāo)可能存在漏檢的現(xiàn)象。目前，許多研究學(xué)者會通過在原模型三層檢測層的基礎(chǔ)上增加到四層。俞軍等人[25]在YOLO模型中增加了一層專門針對于小目標(biāo)的檢測層，使得由更淺層的特征圖融合而來的特征圖具有更強(qiáng)大的語義信息和精確的位置信息。

在YOLOv5s模型中，主干網(wǎng)絡(luò)的輸出是一個三維張量，其維度為水平×空間×通道。因此，將YOLOv5s模型的檢測頭部替換為一種可同時實現(xiàn)尺度感知注意力、空間感知注意力和任務(wù)感知注意力統(tǒng)一的動態(tài)檢測頭DyHead（dynamic head），即在特征張量的每個特定維度上添加注意力機(jī)制。在檢測層上給定三維特征張量F∈RL×S×C，該注意力函數(shù)計算公式（5）如下所示：

其中，πL(?)、πS(?)、πC(?)分別是應(yīng)用在維度L、S、C上的三個不同的注意力函數(shù)，這三種注意力順序應(yīng)用于檢測頭部，可以多次疊加使用。在BD-YOLO模型的設(shè)計中，使用了四組πL(?)、πS(?)和πC(?)模塊依次疊加，讓檢測頭具備更強(qiáng)的表示能力，從而提升算法對小目標(biāo)的檢測效果。DyHead結(jié)構(gòu)如圖7所示。

圖7 DyHead結(jié)構(gòu)Fig.7 DyHead structure

2.4 損失函數(shù)的改進(jìn)

YOLOv5s模型使用CIoU Loss計算矩形框損失，其主要由三部分組成：預(yù)測矩形框位置的損失(Lbbox)、置信度的損失(Lobj)、分類損失(Lcls)，CIoU Loss具體的計算公式如公式（6）所示：

CIoU Loss將重疊的面積、中心距離和矩形框的寬高比同時加入計算，提高了模型訓(xùn)練的穩(wěn)定性和收斂速度。但是，CIoU Loss并未真正表示出矩形框的高寬與其置信度的真實差異，這將會導(dǎo)致回歸預(yù)測的結(jié)果不夠精準(zhǔn)。

針對CIoU Loss的問題，將預(yù)測框的寬高分別考慮，使用了Focal-EIoU Loss，該損失函數(shù)由Focal Loss和EIoU Loss組合而成。Focal Loss將預(yù)測框的寬高拆分，分別與最小外界框的寬高作差值運算。EIoU Loss通過減小預(yù)測框和真實框?qū)捀呱系牟町?，使得收斂速度更快且有更好的定位結(jié)果，其具體的計算公式如公式（7）所示：

其中，LIoU、Ldis、Lasp分別為IoU損失、距離損失、高寬損失。在一張樣本圖片中，回歸誤差小的錨框數(shù)量遠(yuǎn)遠(yuǎn)少于誤差大的錨框數(shù)量，質(zhì)量較差的錨框會產(chǎn)生較大的梯度，這將會直接影響模型的訓(xùn)練效果。因此，在EIoU Loss基礎(chǔ)上添加Focal Loss，把高質(zhì)量的錨框與低質(zhì)量的錨框分開，計算公式如公式（8）所示：

其中，γ是用于控制曲線弧度的超參數(shù)。

損失函數(shù)Focal-EIoU Loss弱化了易回歸樣本的權(quán)重，使模型更專注于預(yù)測框與真實框重疊低的樣本，從而實現(xiàn)提高回歸精度的效果。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)集

本文所使用的是公開數(shù)據(jù)集VisDrone2019[26]，該數(shù)據(jù)集一共包含8 599張由無人機(jī)位于高空拍攝的靜態(tài)圖像，其中6 471張用于訓(xùn)練，548張用于驗證，1 580張用于測試。圖像類別包括行人、人、自行車、汽車、面包車、卡車、三輪車、遮陽篷-三輪車、公共汽車和摩托車，一共260萬個標(biāo)注信息。其中訓(xùn)練集實例數(shù)量分布如圖8所示。

圖8 訓(xùn)練集實例數(shù)量分布Fig.8 Instance distribution of train dataset

VisDrone2019數(shù)據(jù)集中的圖片尺寸有960×540和1 360×765兩種，各個實例的尺寸大小分布如圖9所示。從圖9中可以看出大部分目標(biāo)的尺寸的長寬比例小于整張圖像的0.1倍，滿足小目標(biāo)的相對尺寸定義。

圖9 目標(biāo)尺寸大小分布圖Fig.9 Object size distribution diagram

3.2 實驗環(huán)境及參數(shù)設(shè)置

實驗所使用的預(yù)訓(xùn)練權(quán)重是由COCO數(shù)據(jù)集上進(jìn)行訓(xùn)練得到。訓(xùn)練模型過程中常用的優(yōu)化器有SGD、Adam、RMSProp等，優(yōu)化器的性能會影響訓(xùn)練的收斂速度和穩(wěn)定性。實驗中使用了SGD優(yōu)化器，并使用了表3中的訓(xùn)練參數(shù)，以加快模型的收斂速度。為了實驗的公平性，每次實驗輪數(shù)設(shè)置為300 epoch。實驗軟硬件環(huán)境如表2所示，訓(xùn)練參數(shù)如表3所示。

表2 實驗配置Table 2 Experimental configuration

表3 訓(xùn)練參數(shù)Table 3 Training parameters

3.3 模型評價指標(biāo)

在模型檢測小目標(biāo)時，通常出現(xiàn)誤檢漏檢問題，因此評價一個模型的檢測效果是否精準(zhǔn)，通常使用mAP@0.5、mAP@0.5：0.95，mAP指標(biāo)綜合了不同類別的精準(zhǔn)率(Precision,P)和召回率(Recall,R)，是一個更加全面的評價指標(biāo)。在考慮模型檢測效果好壞的同時也需要考慮模型的大小。在評估模型大小時，通常使用模型的參數(shù)量和GFLOPs指標(biāo)。

（1）平均精度均值（mean of average precision，mAP），mAP@0.5是所有類別的IoU閾值在0.5時的平均檢測精度；mAP@0.5：0.95是以步長為0.05，計算IoU閾值在0.5～0.95之間的所有IoU閾值下的平均檢測精度。在目標(biāo)檢測中，mAP值越高，說明模型檢測效果越好。公式為：

其中，AveragePrecision(?)為某個類的平均精度，Num(?)為數(shù)據(jù)集所有類別的數(shù)量。

（2）精確率，指在所有檢測到的目標(biāo)中，真實的目標(biāo)數(shù)量與總檢測目標(biāo)數(shù)量之比。精確率公式為：

其中，TP表示真正例，即在檢測的結(jié)果中正確檢測出的目標(biāo)數(shù)量；FP表示假正例，即在檢測的結(jié)果中被錯誤檢測的目標(biāo)數(shù)量。

（3）召回率，指在所有真實的目標(biāo)中，被檢測到的目標(biāo)數(shù)量與總真實目標(biāo)數(shù)量之比。召回率公式為：

其中，F(xiàn)N表示假反例，即在正確的目標(biāo)中未被檢測出的目標(biāo)數(shù)量。

（4）參數(shù)量，可以用來評價模型大小和復(fù)雜度，是對每一層的權(quán)重參數(shù)數(shù)量進(jìn)行求和得到。當(dāng)參數(shù)量較小時，表示模型屬于輕量模型；當(dāng)模型參數(shù)量較大時，意味著能更好地捕獲特征，但是也消耗更多的存儲空間和計算資源。

（5）GFLOPs（floating point operations per second），代表模型在推理過程中一秒鐘內(nèi)執(zhí)行的浮點運算次數(shù)，可以用來評估模型的計算復(fù)雜度和性能。

3.4 實驗與結(jié)果分析

3.4.1 注意力機(jī)制對比實驗

在BRA注意力機(jī)制中使用了局部上下文增強(qiáng)項（local context enhancement，LCE）[27]，函數(shù)LCE(?)使用了深度卷積進(jìn)行參數(shù)化。本文設(shè)計了實驗以探究不同參數(shù)值對模型檢測性能的影響。實驗數(shù)據(jù)為VisDrone2019數(shù)據(jù)集，基線模型為YOLOv5s。實驗結(jié)果如表4所示。

表4 LCE函數(shù)參數(shù)值對BD-YOLO性能的影響Table 4 Effect of LCE function parameter values on BD-YOLO performance

由表4可知，當(dāng)參數(shù)值設(shè)置為5時，模型的檢測性能可達(dá)到最優(yōu)的效果。當(dāng)參數(shù)值取1和3時，模型性能沒有提升的趨勢；當(dāng)參數(shù)值取5時，較基礎(chǔ)參數(shù)1的mAP@0.5和mAP@0.5：0.95指標(biāo)分別提升了0.011和0.006。當(dāng)參數(shù)值大于5時，精度值呈現(xiàn)出下降的趨勢。綜上實驗所得的結(jié)果，本文將函數(shù)LCE(?)的參數(shù)值設(shè)置為5。

為了驗證BRA注意力機(jī)制對小目標(biāo)檢測效果的有效性，將設(shè)計實驗使用參數(shù)值為5時的BRA與不同注意力進(jìn)行對比。基線模型為YOLOv5s，數(shù)據(jù)集為VisDrone2019，訓(xùn)練次數(shù)為300輪。實驗結(jié)果如表5所示。

表5 注意力機(jī)制對比試驗Table 5 Comparative experiment of attention mechanism

由表5可知，BRA注意力機(jī)制憑借其靈活的特征感知能力，使YOLOv5s模型的mAP@0.5指標(biāo)提升了0.007，對模型精度的影響明顯優(yōu)于其他注意力機(jī)制。CA、SE和CBAM注意力高度依賴通道內(nèi)的特征信息，由于小目標(biāo)在通道內(nèi)的信息相對較少，導(dǎo)致這類注意力很難準(zhǔn)確捕獲小目標(biāo)的特征。EMA注意力[28]通過平滑模型的注意力來減少噪聲，但是因為這種平滑性使得模型很難定位小目標(biāo)的位置。

3.4.2 DyHead檢測頭性能對比實驗

通過控制不同數(shù)量的DyHead塊進(jìn)行疊加，探究其對模型性能和計算成本的影響。實驗基線模型使用YOLOv5s，對基線模型分別疊加1、2、4、6、8、10個DyHead塊。其中，疊加個數(shù)為0的是基線模型。實驗結(jié)果如表6所示。

表6 DyHead疊加個數(shù)對模型性能的影響Table 6 Effect of number of DyHead superposition on model performance

從表6可看出，動態(tài)檢測頭DyHead隨著疊加個數(shù)的增加，精度也隨之增加，但是計算成本和參數(shù)量也有小幅度增加。本文將算法精度、復(fù)雜度和推理速度進(jìn)行綜合考慮，選擇將4個DyHead塊疊加集成入算法中，此時模型的平均精度達(dá)到0.292，參數(shù)量增加了0.56 MB，F(xiàn)PS僅降低了26.3%。

3.4.3 損失函數(shù)對比實驗

在BD-YOLO模型中所使用的損失函數(shù)是Focal-EIoU，為了驗證該損失函數(shù)對模型檢測小目標(biāo)的精度具有更好的提升效果，將對使用不同損失函數(shù)后的相同模型進(jìn)行對比。以YOLOv5s添加注意力機(jī)制BRA及修改了帶注意力的檢測頭為基礎(chǔ)的模型進(jìn)行對比實驗，訓(xùn)練300輪。實驗結(jié)果如表7所示。

表7 損失函數(shù)對比實驗Table 7 Loss function comparison experiments

由表7可知，在與其他損失函數(shù)相比，F(xiàn)ocal-EIoU雖然在GFLOPs和權(quán)重文件的大小上都有小幅度增加，但是對模型的檢測效果提升最大，說明損失函數(shù)Focal-EIoU更適合小目標(biāo)的檢測。

3.4.4 綜合對比實驗

為了體現(xiàn)BD-YOLO模型的優(yōu)越性，使用了目前較為流行的目標(biāo)檢測模型進(jìn)行對比，在相同的實驗環(huán)境配置與參數(shù)的情況下對VisDrone2019數(shù)據(jù)集進(jìn)行檢測，模型對比實驗結(jié)果如表8所示。

表8 模型對比實驗Table 8 Model comparison experiments

在檢測精度上，BD-YOLO模型在mAP@0.5、mAP@0.5：0.95和R上都具有較大的優(yōu)勢。mAP@0.5、mAP@0.5：0.95和R指標(biāo)分別為0.326、0.179、0.53。與近年來最新的檢測模型相比，BD-YOLO的檢測精度優(yōu)于YOLOv5n、TPH-YOLOv5、VA-YOLO和YOLOv8n，但不如YOLOv3和YOLOv8s這類相對較大的模型。

在算法復(fù)雜度上，YOLOv3的GFLOPs是BD-YOLO的5.6倍，參數(shù)量多了53.68 MB。YOLOv8s的精度雖然比BD-YOLO高，但是GFLOPs、參數(shù)量、權(quán)重文件大小分別比BD-YOLO大了0.9 GFLOPs、3.27 MB、6.4 MB。因此，BD-YOLO模型相對較低的計算復(fù)雜度和參數(shù)量，更有利于存儲和部署在邊緣設(shè)備上。

從表9可以看出，與其他模型相比，BD-YOLO在行人和人的目標(biāo)上的檢測精度是最高的，分別達(dá)到了42.6%和34.9%。在自行車、汽車、面包車、三輪車和摩托車類別上的檢測精度僅次于YOLOv3和YOLOv8s。

表9 類別對比實驗結(jié)果Table 9 Category comparison experiment results

綜上，BD-YOLO模型對比基線模型YOLOv5s有了明顯提升。與其他模型相比，在精度和復(fù)雜度上具有較大的優(yōu)勢。因此，說明本文的改進(jìn)是有效的。

3.4.5 消融實驗

為了證明本文提出的每個改進(jìn)模塊對于模型檢測能力的提升，將對不同模塊對模型檢測的效果做消融實驗進(jìn)行評估。以YOLOv5s為基線模型，在該模型上逐個添加改進(jìn)的模塊，首先添加注意力機(jī)制BRA，然后添加帶注意力的檢測頭DyHead，最后改用Focal-EIoU損失函數(shù)。數(shù)據(jù)集選用VisDrone2019，圖片大小設(shè)置為640×640，使用預(yù)訓(xùn)練權(quán)重加速訓(xùn)練，共訓(xùn)練300 epoch。

由表10可知，所改進(jìn)的模塊對模型檢測小目標(biāo)的準(zhǔn)確度均有提升。Baseline模型為無改進(jìn)的基線模型YOLOv5s，在Baseline上添加注意力機(jī)制BRA后，雖然參數(shù)量和GFLOPs分別增加了0.27 MB、10.6 GFLOPs，但是mAP@0.5提升了0.007，說明BRA過濾掉最不相關(guān)的區(qū)域并提高對有價值區(qū)域的關(guān)注，增強(qiáng)了模型定位小目標(biāo)的效果；將Baseline上的檢測頭改為DyHead，在mAP@0.5和mAP@0.5：0.95指標(biāo)上的提升最大，分別提高了0.028、0.016，說明檢測層帶有注意力機(jī)制將會大幅提升模型檢測小目標(biāo)的效果；使用Focal-EIoU Loss損失函數(shù)，將高質(zhì)量的錨框和低質(zhì)量的錨框分開，會使得模型的檢測精度得到提升；最后，將BRA、DyHead和Focal-EIoU Loss同時作用于基線模型，在mAP@0.5和mAP@0.5：0.95指標(biāo)上較基線模型提升了0.062和0.037，雖然參數(shù)量和GFLOPs有所增加，但是屬于合理范圍。

表10 消融實驗Table 10 Ablation experiment

YOLOv5s算法和BD-YOLO算法的檢測結(jié)果如圖10所示，圖（a）和（c）為改進(jìn)前YOLOv5s算法檢測結(jié)果，圖（b）和（d）為改進(jìn)后的BD-YOLO算法的檢測結(jié)果。

圖10 檢測效果對比Fig.10 Comparison of detection effects

4 結(jié)束語

針對YOLOv5s模型對無人機(jī)高空航拍圖像的小目標(biāo)進(jìn)行檢測出現(xiàn)漏檢誤檢的問題，本文基于YOLOv5s模型提出了改進(jìn)的小目標(biāo)檢測模型BD-YOLO。首先，在網(wǎng)絡(luò)結(jié)構(gòu)中加入注意力機(jī)制BRA，提高對小目標(biāo)檢測區(qū)域的關(guān)注度；其次，將YOLOv5s中普通的檢測層改為使用帶有自注意力的檢測層DyHead，以改進(jìn)模型對小目標(biāo)的表示能力；最后將YOLOv5s中的損失函數(shù)CIoU Loss替換成Focal-EIoU Loss，從而進(jìn)一步提升模型的檢測效果。在數(shù)據(jù)集VisDrone2019的實驗結(jié)果表明，BD-YOLO模型對于小目標(biāo)的檢測效果都優(yōu)于其他的主流模型，在沒有添加過多參數(shù)量的情況下檢測精度達(dá)到了32.6%，可以說明本文改進(jìn)后的模型在無人機(jī)視角下的小目標(biāo)檢測效果具有優(yōu)勢。