1.一种YOLOv7-tiny轻量级车辆目标检测方法,其特征在于,包括:构建包含多种车型、不同光照和天气条件下的车辆图像的路侧车辆数据集;
对所述路侧车辆数据集进行图像滤波、图像增强和数据集划分,得到训练集、验证集和测试集;
构建改进的初始车辆目标检测模型;所述初始车辆目标检测模型是基于YOLOv7-tiny网络进行设计的;
应用剪枝策略对所述初始车辆目标检测模型进行轻量化处理,得到轻量级车辆检测模型;
将所述训练集、所述验证集和所述测试集输入至所述轻量级车辆检测模型中进行训练、测试和验证,得到最终车辆目标检测模型;
将待检测图像输入至所述最终车辆目标检测模型中,得到检测结果;
所述剪枝策略包括:基于重要性的层自适应剪枝、基于通道权重的剪枝和基于生长正则化的剪枝;
剪枝被表述为一个转换T(*),其输入为预训练的大模型w,输出为一个小模型w1,通常在剪枝之后加一个微调过程F(*),最终的输出w2,w2的计算公式如下所示;F(*)是一个标准的神经网络训练过程,不用过多关注,更多关注由w转换到w1的过程;剪枝可以进一步转换为两个子转换:(1)M=T1(w),获得一个二进制掩码向量M,决定哪些权重将被移除;(2)T2(w)用于调整剩余权重的值,最终输出w1的计算公式如下所示;
w2=F(w1)
w1=T(w)=T1(w)⊙T2(w)=M⊙T2(w)
对于一次性剪枝,T1中没有迭代训练,它取决于特定的算法来决定是否调整剩余的权重;对于基于学习的剪枝,T1和T2都涉及迭代训练,并且保留的权重将始终被调整;
算法中的第一种方法是L1范数剪枝的变体,通过L1范数排序获得掩码M,通过正则化调整保留的权重,具体来讲,给定一个预训练模型w和层修剪比例γl,按照L1范数对滤波器进行排序,对于那些范数最小的滤波器将掩码M设置为0,然后通过一个逐渐增长的L2惩罚去将那些不重要权重驱动为0,计算方法如下所示;
λj=λj+δλ,j∈{j∣,M[j]=0}
其中,λj是第j个权重的惩罚因子;δλ是增加惩罚的粒度,显然δλ越小,正则化过程越平滑;λj仅在每Ku次迭代中更新一次,这是一次缓冲的时间,为了让网络适应新的正则化;当λj,达到预设的上限τ时,终止训练并剪枝掉那些具有最小L1范数的权重,然后进行微调,剪枝不会影响准确性,不重要的权重已经被压缩到通常小于剩余权重的千分之一;
算法中的第二种方法利用逐渐增长的正则化方法进行评分;神经网络的训练容易过拟合,因此通常使用正则化技术,L2正则化是深度网络训练的标准技术;给定数据集D和模型参数w,总损失的定义如下所示;
其中,L表示任务损失函数;当训练收敛时,,应该存在下式:
其中,表示第i个权重在其最小值处。
2.根据权利要求1所述的YOLOv7-tiny轻量级车辆目标检测方法,其特征在于,所述路侧车辆数据集中的目标种类包括:汽车、公共汽车、面包车和其他。
3.根据权利要求1所述的YOLOv7-tiny轻量级车辆目标检测方法,其特征在于,对所述路侧车辆数据集进行图像滤波、图像增强和数据集划分,得到训练集、验证集和测试集,包括:对所述路侧车辆数据集中的图像进行滤波处理,得到滤波图像;
构建图像增强窗口,并利用图像增强窗口遍历所述滤波图像,以进行去噪,得到去噪图像;
对所述去噪图像进行直方图均衡化处理,得到增强图像;
按照预设比例将各个所述增强图像进行数据集划分,得到所述训练集、所述验证集和所述测试集。
4.根据权利要求3所述的YOLOv7-tiny轻量级车辆目标检测方法,其特征在于,对所述路侧车辆数据集中的图像进行滤波处理,得到滤波图像,包括:对所述路侧车辆数据集在多个尺度上进行小波分解,得到对应的小波系数;
根据所述路侧车辆数据集的大小和分解尺度构建滤波阈值;所述滤波阈值的公式为:其中,λj表示在第j个分解尺度下的滤波阈值,σj表示在第j个分解尺度下的噪声标准差,Nj表示在第j个分解尺度下的信号长度,j表示分解尺度;
利用所述滤波阈值构建图像滤波模型;所述图像滤波模型的公式为:其中,sign为符号函数,a为第一预设系数,b为第二预设系数,ωj,k表示在第j个分解尺度下第k个小波系数,表示滤波后的小波系数;
利用所述图像滤波模型对所述路侧车辆数据集的图像进行滤波,得到所述滤波图像。
5.根据权利要求3所述的YOLOv7-tiny轻量级车辆目标检测方法,其特征在于,构建图像增强窗口,并利用图像增强窗口遍历所述滤波图像,以进行去噪,得到去噪图像,包括:利用图像识别模型检测所述滤波图像,得到每个图像增强窗口下的占比值;
当所述图像增强窗口内的占比值大于预设阈值时,对相应图像增强窗口内的图像进行中值去噪,得到中值去噪后的图像;
滑动所述图像增强窗口,直到遍历完整个滤波图像,得到所述去噪图像。
6.根据权利要求5所述的YOLOv7-tiny轻量级车辆目标检测方法,其特征在于,利用图像识别模型检测所述滤波图像,得到每个图像增强窗口下的占比值,包括:采用公式Fij=|xij-yij|得到每个图像增强窗口下的每个像素点的像素差值;其中,Fij表示图像在(i,j)位置的像素差值,xij表示图像在(i,j)位置处的像素值,yij表示滤波图像在(i,j)位置处的像素值;
将像素差值大于特征阈值的像素点作为特征点并记录数量;
将所述图像增强窗口下特征点占所有像素点的比例作为占比值。
7.根据权利要求5所述的YOLOv7-tiny轻量级车辆目标检测方法,其特征在于,所述初始车辆目标检测模型包括:依次连接的输入网络、骨干网络、颈部网络和检测头;
所述输入网络用于对输入的图像集进行数据增强和图像预处理操作,得到预处理图像;所述骨干网络用于基于ELAN模型和MP模型,对所述预处理图像进行图像特征提取,得到特征图;所述颈部网络用于对所述特征图进行特征融合和加强,得到融合图;所述检测头用于根据所述融合图进行特征检测,得到检测结果。
8.根据权利要求7所述的YOLOv7-tiny轻量级车辆目标检测方法,其特征在于,所述骨干网络的主干网络为MobileNetV3网络。
9.一种YOLOv7-tiny轻量级车辆目标检测系统,其特征在于,包括:数据集构建模块,用于构建包含多种车型、不同光照和天气条件下的车辆图像的路侧车辆数据集;
数据集处理模块,用于对所述路侧车辆数据集进行图像滤波、图像增强和数据集划分,得到训练集、验证集和测试集;
模型改进模块,用于构建改进的初始车辆目标检测模型;所述初始车辆目标检测模型是基于YOLOv7-tiny网络进行设计的;
轻量化模块,用于应用剪枝策略对所述初始车辆目标检测模型进行轻量化处理,得到轻量级车辆检测模型;
训练模块,用于将所述训练集、所述验证集和所述测试集输入至所述轻量级车辆检测模型中进行训练、测试和验证,得到最终车辆目标检测模型;
检测模块,用于将待检测图像输入至所述最终车辆目标检测模型中,得到检测结果;
所述剪枝策略包括:基于重要性的层自适应剪枝、基于通道权重的剪枝和基于生长正则化的剪枝;
剪枝被表述为一个转换T(*),其输入为预训练的大模型w,输出为一个小模型w1,通常在剪枝之后加一个微调过程F(*),最终的输出w2,w2的计算公式如下所示;F(*)是一个标准的神经网络训练过程,不用过多关注,更多关注由w转换到w1的过程;剪枝可以进一步转换为两个子转换:(1)M=T1(w),获得一个二进制掩码向量M,决定哪些权重将被移除;(2)T2(w)用于调整剩余权重的值,最终输出w1的计算公式如下所示;
w2=F(w1)
w1=T(w)=T1(w)⊙T2(w)=M⊙T2(w)
对于一次性剪枝,T1中没有迭代训练,它取决于特定的算法来决定是否调整剩余的权重;对于基于学习的剪枝,T1和T2都涉及迭代训练,并且保留的权重将始终被调整;
算法中的第一种方法是L1范数剪枝的变体,通过L1范数排序获得掩码M,通过正则化调整保留的权重,具体来讲,给定一个预训练模型w和层修剪比例γl,按照L1范数对滤波器进行排序,对于那些范数最小的滤波器将掩码M设置为0,然后通过一个逐渐增长的L2惩罚去将那些不重要权重驱动为0,计算方法如下所示;
λj=λj+δλ,j∈{j∣,M[j]=0}
其中,λj是第j个权重的惩罚因子;δλ是增加惩罚的粒度,显然δλ越小,正则化过程越平滑;λj仅在每Ku次迭代中更新一次,这是一次缓冲的时间,为了让网络适应新的正则化;当λj,达到预设的上限τ时,终止训练并剪枝掉那些具有最小L1范数的权重,然后进行微调,剪枝不会影响准确性,不重要的权重已经被压缩到通常小于剩余权重的千分之一;
算法中的第二种方法利用逐渐增长的正则化方法进行评分;神经网络的训练容易过拟合,因此通常使用正则化技术,L2正则化是深度网络训练的标准技术;给定数据集D和模型参数w,总损失的定义如下所示;
其中,L表示任务损失函数;当训练收敛时,,应该存在下式:
其中,表示第i个权重在其最小值处。