Fostc3net:A Lightweight YOLOv5 Based On the Network Structure Optimization

传输线检测技术对于自动监测和确保电力设施安全至关重要。目前，YOLOv5系列是最先进和广泛使用的目标检测方法之一。然而，它面临着固有的挑战，如设备上的高计算负载和不足的检测精度。为了解决这些问题，本文提出了一种增强的轻量级YOLOv5技术，专门用于识别与传输线相关的物体，适用于移动设备。在YOLOv5的卷积网络中集成了C3Ghost模块，以减少特征通道融合过程中的每秒浮点运算次数（FLOPs）并提高特征表达性能。此外，引入了一个FasterNet模块来替换YOLOv5骨干网络中的c3模块。FasterNet模块使用部分卷积来仅处理部分输入通道，提高特征提取效率并降低计算开销。为了解决数据集中简单和具有挑战性样本之间的不平衡和边界框宽高比的多样性，采用wIoU v3 LOSS作为损失函数。为了验证所提出的方法的性能，实验在自定义的传输线杆数据集上进行。结果表明，与现有的YOLOv5相比，所提出的模型实现了1%的检测精度提高，13%的FLOPs减少和26%的模型参数减少。在消融实验中，还发现虽然Fastnet模块和CSghost模块提高了原始YOLOv5基准模型的精度，但它们导致mAP@.5-.95指标下降。然而，wIoUv3损失函数的改进显著缓解了mAP@.5-.95指标的下降。

本论文旨在解决传输线检测技术中的高计算负荷和检测精度不足的问题，提出了一种定制移动设备的增强轻量级YOLOv5技术。

论文提出了在YOLOv5中集成C3Ghost模块和FasterNet模块以及采用wIoU v3 LOSS作为损失函数的方案，以降低计算负荷和提高特征表达性能。

论文在自定义数据集上进行了实验，结果显示，与现有的YOLOv5相比，该模型实现了1%的检测精度提高，13%的FLOPs降低和26%的模型参数减少。此外，论文还发现，wIoUv3损失函数的改进显著缓解了mAP@.5-.95指标下降的问题。

近期的相关研究包括：YOLOv4、EfficientDet、CornerNet-Lite等。