文献类型：期刊文章

作　　者：顾德英[1] 罗聿伦[1] 李文超[1]

GU De-ying;LUO Yu-lun;LI Wen-chao(School of Control Engineering,Northeastern University at Qinhuangdao,Qinhuangdao 066004,China)

机构地区：[1]东北大学秦皇岛分校控制工程学院,河北秦皇岛066004

出　　处：《东北大学学报（自然科学版）》

基　　金：河北省自然科学基金资助项目(F2019501044).

年　　份：2022

卷　　号：43

期　　号：8

起止页码：1073-1079

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：实时的交通场景目标检测是实现电子监控、自动驾驶等功能的先决条件.针对现有的目标检测算法检测效率不高,以及大多数轻量化目标检测算法模型精度较低,容易误检、漏检目标的问题,本文通过改进YOLOv5目标检测算法来进行模型训练,再使用伪标签策略对训练过程进行优化,然后在KITTI交通目标数据集上将标签合并为3类,对训练出的模型进行测试.实验结果表明,改进的YOLOv5最终模型在该所有类别上的mAP达到了92.5%,对比原YOLOv5训练的模型提高了3%.最后将训练的模型部署到Jetson Nano嵌入式平台上进行推理测试,并通过TensorRT加速推理,测得平均每帧图像的推理时间为77 ms,可以实现实时检测的目标.

关 键 词：深度学习  目标检测 YOLOv5算法  伪标签训练  嵌入式平台

分 类 号：TP391]