[发明专利]目标检测算法模型、目标检测方法、装置及存储介质

说明书

本发明涉及计算机视觉目标检测技术领域，具体涉及一种改进的yolov5目标检测算法模型、目标检测方法、装置及存储介质。在现有的yolov5目标检测算法模型的基础上改变了模型的结构，改进后的模型大小和现有的yolov5目标检测算法模型基本一致，但是相对于现有的yolov5目标检测算法模型，其结构和各个功能模块的数量都进行了改进，经过测试，本申请改进后的yolov5目标检测算法模型和现有的相比提高了目标检测的精度。

技术领域

本发明涉及计算机视觉目标检测技术领域，具体涉及一种改进的yolov5目标检测算法模型、目标检测方法、装置及存储介质。

背景技术

目标检测是计算机视觉和数字图像处理领域非常热门的一个方向，在机器人巡航、自动驾驶、工业监控、智慧安防等诸多领域，均有广泛应用，可以为公司减少一定的人力成本。从2012年，Hinton课题组通过构建CNN神经网络(即卷积神经网络)刷新ImageNet(项目是一个用于视觉对象识别软件研究的大型可视化数据库)记录夺冠以来，基于深度学习的目标检测技术进入了快速干道，得到了很快的发展。

基于算法部署成本考虑，一阶段的目标检测算法，往往在工业界更受欢迎，得到了广泛的应用。而目前的yolov5算法，受到了工业界目标检测领域的一致好评。但是目前的yolov5算法在检测精度上还有一定的提升的空间。

发明内容

本申请提供一种改进的yolov5目标检测算法模型，其目的在于提高现有的yolov5目标检测算法模型的检测精度。

一种改进的yolov5目标检测算法模型,包括：第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块、第六卷积模块、第七卷积模块、第八卷积模块、第九卷积模块、第一C3模块、第二C3模块、第三C3模块、第四C3模块、第五C3模块、第六C3模块、第七C3模块、第八C3模块、多尺度融合模块、第一上采样模块、第二上采样模块、第一融合模块、第二融合模块、第三融合模块、第四融合模块；

其中，所述第一卷积模块的输入端用于接收输入的数据信息，其输出端与所述第二卷积模块的输入端连接；第二卷积模块的输出端与所述第一C3模块的输入端连接，第一C3模块的输出端与所述第三卷积模块的输入端连接，第三卷积模块的输出端与所述第二C3模块的输入端连接，第二C3模块的输出端与所述第四卷积模块的输入端连接，第四卷积模块的输出端与所述第三C3模块的输入端连接，第三C3模块的输出端与所述第五卷积模块的输入端连接，第五卷积模块的输出端与所述第四C3模块的输入端连接，第四C3模块的输出端与所述多尺度融合模块的输入端连接，该多尺度融合模块的输出端与所述第六卷积模块的输入端连接，第六卷积模块的输出端与所述第一上采样模块的输入端连接，第一上采样模块的输出端与第一融合模块的输入端连接；第一融合模块的输出端与所述第五C3模块的输入端连接，第五C3模块的输出端与所述第七卷积模块的输入端连接，第七卷积模块的输出端与所述第二上采样模块的输入端连接，第二上采样模块的输出端与所述第二融合模块的输入端连接，第二融合模块的输出端与所述第六C3模块的输入端连接，第六C3模块的输出端用于输出第一特征信息；所述第三C3模块的输出端还与所述第一融合模块的输入端连接；所述第二C3模块的输出端还与所述第二融合模块的输入端连接；

所述第六C3模块的输出端还与所述第八卷积模块的输入端连接，第八卷积模块的输出端与所述第三融合模块的输入端连接，第三融合模块的输出端与所述第七C3模块的输入端连接，第七C3模块的输出端用于输出第二特征信息；所述第七卷积模块的输出端还与所述第三融合模块的输入端连接；

所述第七C3模块的输出端与所述第九卷积模块的输入端连接，第九卷积模块的输出端与所述第四融合模块的输入端连接，第四融合模块的输出端与所述第八C3模块的输入端连接，第八C3模块的输出端用于输出第三特征信息；所述第六卷积模块的输出端还与所述第四融合模块的输入端连接；