郭宇陽，胡偉超，戴 帥，陳艷艷

1.中國人民公安大學(xué) 交通管理學(xué)院，北京 100038

2.公安部道路交通安全研究中心 科研管理組，北京 100062

3.公安部道路交通安全研究中心 交通政策規(guī)劃研究室，北京 100062

4.北京工業(yè)大學(xué) 城市交通學(xué)院，北京 100124

目標(biāo)檢測技術(shù)已經(jīng)在人臉識別、車輛檢測等多個(gè)領(lǐng)域內(nèi)廣泛應(yīng)用?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法主要分為一階目標(biāo)檢測與兩階目標(biāo)檢測，前者采用端到端的方式直接獲得物體位置并進(jìn)行類別預(yù)測，計(jì)算速度快，但精度略有損失，典型算法有SSD[1]、RetinaNet[2]和YOLO[3-5]系列。兩階目標(biāo)檢測算法相比于一階網(wǎng)絡(luò)可以更充分地提取特征，得到目標(biāo)物體的精準(zhǔn)位置和分類，代表算法有Fast R-CNN[6]、Cascade R-CNN[7]。此外CornerNet[8]和CenterNet[9]這些依靠關(guān)鍵點(diǎn)來檢測目標(biāo)的算法也受到了研究人員和業(yè)界的廣泛關(guān)注。

基于深度學(xué)習(xí)的目標(biāo)檢測算法在車輛檢測領(lǐng)域的應(yīng)用一直是研究的熱點(diǎn)。曹詩雨等[10]使用Faster-RCNN網(wǎng)絡(luò)檢測車輛，用卷積特征代替人工提取特征，避免了傳統(tǒng)檢測問題中設(shè)計(jì)手工特征的問題。李松江等[11]使用Cascade RCNN算法進(jìn)行目標(biāo)檢測，引入空洞卷積來減少下采樣過程中的特征丟失，可以有效地檢測出小目標(biāo)和遮擋目標(biāo)，改進(jìn)后的網(wǎng)絡(luò)準(zhǔn)確率有所提高，但在速度方面略有損失。杜金航等[12]將Darknet53改進(jìn)為30個(gè)卷積層的卷積神經(jīng)網(wǎng)絡(luò)，使用K-means聚類選取車輛錨框，可以實(shí)現(xiàn)道路車輛的實(shí)時(shí)檢測。金旺等[13]使用深度殘差網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，利用軟化非極大抑制解決車輛尺度變化大以及遮擋問題。顧恭等[14]提出的Vehicle-YOLO模型是在YOLOv3的基礎(chǔ)上采用7次深度殘網(wǎng)絡(luò)輸出五種不同大小的特征圖，對潛在車輛的邊界框進(jìn)行提取，從而提升車輛檢測的精度和普適性。魯博等[15]將YOLOv3-tiny的主干網(wǎng)絡(luò)與BiFPN特征金字塔結(jié)構(gòu)相結(jié)合，并提出了一種新的上采樣結(jié)構(gòu)，來解決采樣過程中信息丟失的問題。李宇昕等[16]和李漢冰等[17]分別使用殘差網(wǎng)絡(luò)和反殘差網(wǎng)絡(luò)作為基礎(chǔ)模型，均使用Focal loss改進(jìn)損失函數(shù)，平衡正負(fù)樣本，提高了目標(biāo)檢測的準(zhǔn)確度。

目前，車輛檢測多用于智能網(wǎng)聯(lián)和自動(dòng)駕駛汽車感知交通環(huán)境信息，大量研究使用KITTI[18]數(shù)據(jù)集完成模型訓(xùn)練與測試。通常這類數(shù)據(jù)集基于車載設(shè)備、從平視或小傾角俯視角度采集，與交通管理場景下的路側(cè)監(jiān)控圖像視角存在明顯差異，相關(guān)模型不能很好適應(yīng)大傾角俯視視角下的車輛檢測任務(wù)。本文在UA-DETRAC[19]數(shù)據(jù)集基礎(chǔ)上，針對交通流檢測場景和邊緣計(jì)算需求，提出一種基于YOLOv4[20]改進(jìn)的輕量型車輛檢測算法GS-YOLO。使用GhostNet結(jié)構(gòu)思想，利用輕量操作降低通道，增強(qiáng)特征，在主干網(wǎng)絡(luò)中增加注意力機(jī)制，篩選重要特征，提高模型的檢測能力。由于多尺度預(yù)測部分卷積操作內(nèi)存占用多，計(jì)算復(fù)雜，借鑒SqueezeNet[21]的Fire Module結(jié)構(gòu)和深度可分離卷積，對加強(qiáng)特征提取網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)進(jìn)行優(yōu)化，有效地解決原有模型內(nèi)存占用大和特征提取不充分的問題。

1 GhostNet網(wǎng)絡(luò)

深度卷積神經(jīng)網(wǎng)絡(luò)會(huì)產(chǎn)生許多相似的特征圖，這些特征圖通常會(huì)被當(dāng)作冗余信息，一些輕量化網(wǎng)絡(luò)就是利用特征冗余性，通過裁剪一部分的冗余特征使得模型輕量化。而Han等[22]則認(rèn)為卷積網(wǎng)絡(luò)強(qiáng)大的提取功能與這些冗余特征圖成正相關(guān)，并提出GhostNet算法，將少量傳統(tǒng)卷積計(jì)算和輕量冗余特征生成相結(jié)合，在保證檢測精度的情況下，減少模型參數(shù)量。

1.1 Ghost卷積和Ghost Bottleneck模塊

Ghost模塊的卷積操作將傳統(tǒng)卷積分為兩部分：生成少量特征圖的傳統(tǒng)卷積層和利用廉價(jià)的線性運(yùn)算生成冗余特征圖的輕量級線性變化層。Ghost模塊使用更少的參數(shù)來生成冗余特征。

傳統(tǒng)卷積和Ghost卷積的對比如圖1所示。Ghost卷積過程第一部分利用傳統(tǒng)卷積生成少量固有特征圖，此處的卷積操作可以自定義卷積核大小，使用1×1卷積，也可以是3×3和5×5的卷積。第二部分使用輕量操作和恒等變換對第一部分生成的特征圖進(jìn)行線性操作處理，從而增加通道和擴(kuò)充特征。輕量操作既可以是深度卷積，也可以是分組卷積等其他方式的卷積，以低成本的方式，保留冗余信息。最后將此部分的特征圖和第一部分的固有特征圖進(jìn)行恒等變換拼接在一起，作為Ghost模塊的輸出特征圖。

圖1 傳統(tǒng)卷積和Ghost卷積Fig.1 Vanilla convolution and Ghost module

假設(shè)輸入特征圖H×W，輸入通道數(shù)為Cin，輸出特征圖尺寸為H′×W′，輸出通道數(shù)為m×radio，卷積核尺寸為k×k，那么傳統(tǒng)卷積的計(jì)算量為：

為了使Ghost模塊輸出的特征圖數(shù)量和傳統(tǒng)卷積保持一致，Ghost模塊中卷積操作的卷積核尺寸、步長和padding需要和傳統(tǒng)卷積相同。假設(shè)Ghost模塊的第一部分卷積生成m個(gè)特征圖，每個(gè)特征圖通過映射生成(radio-1)個(gè)新特征圖，則第二部分共獲得m×(radio-1)個(gè)特征圖。

Ghost模塊第一部分的計(jì)算量為：

輸出相同通道數(shù)和特征圖尺寸，傳統(tǒng)卷積和Ghost模塊的計(jì)算量之比為：

經(jīng)過上述計(jì)算可以看出使用Ghost模塊進(jìn)行卷積操作可以在一定程度上降低卷積過程的計(jì)算量。

和ResNet的基本殘差塊（basic residual block）結(jié)構(gòu)相類似，GhostNet Bottleneck的架構(gòu)集成了多個(gè)卷積層和shortcut。每個(gè)GhostNet Bottleneck由兩個(gè)Ghost模塊堆疊而成。第一個(gè)模塊作為擴(kuò)展層，擴(kuò)充通道數(shù)，第二個(gè)模塊用于減少特征的通道數(shù)，和shortcut路徑相匹配。和MobileNetV2的結(jié)構(gòu)類似，在第一個(gè)Ghost模塊后面加入批量歸一化操作和ReLU激活函數(shù)，第二個(gè)模塊只添加批量歸一化操作。根據(jù)步長不同，Ghost-Net Bottleneck分為兩類，如圖2所示。其中步長為2的GhostNet Bottleneck主要用于壓縮特征層尺寸，需在兩個(gè)Ghost模塊之間加入深度卷積完成下采樣操作，同時(shí)在殘差邊添加步長為2的深度卷積和1×1的傳統(tǒng)卷積。

圖2 GhostNet Bottleneck結(jié)構(gòu)示意圖Fig.2 GhostNet Bottleneck structure

1.2 GhostNet

GhostNet網(wǎng)絡(luò)架構(gòu)的搭建靈感源自MobileNetV3基本體系結(jié)構(gòu)，使用GhostNet Bottleneck代替Mobile-NetV3中的bottleneck結(jié)構(gòu)，并將Hard-Swish激活函數(shù)更改為ReLU，各層網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示。

表1 GhostNet結(jié)構(gòu)參數(shù)Table 1 Structure parameters of GhostNet

GhostNet的第一層是卷積核為3×3、步長為2的傳統(tǒng)卷積層，將分辨率為416×416的圖片轉(zhuǎn)換為通道數(shù)為16、大小為208×208的特征圖，再通過一系列的GhostNet Bottleneck逐漸壓縮特征圖尺寸，擴(kuò)大通道數(shù)。根據(jù)輸入特征圖的大小，可以將GhostNet Bottleneck分為6個(gè)階段，在前5個(gè)階段中除了每個(gè)階段的最后一個(gè)GhostNet Bottleneck的步長為2，其余各部分GhostNet Bottleneck的步長均為1。此外，在部分的GhostNet Bottleneck中添加了注意力機(jī)制squeeze-and-excitation模塊，根據(jù)特征重要程度來增強(qiáng)或削減特征圖的權(quán)重，如圖3所示。經(jīng)過初步特征提取獲得三個(gè)不同尺度的有效特征層，像素大小分別為52×52、26×26和13×13。

圖3 包含SE模塊的BottleneckFig.3 Bottleneck with squeeze-and-excitation module

2 YOLOv4模型改進(jìn)

2.1 YOLOv4簡介

YOLOv4主要有主干特征提取網(wǎng)絡(luò)、加強(qiáng)特征提取網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)三部分組成。主干特征提取網(wǎng)絡(luò)使用CSPDarknet53提取輸入數(shù)據(jù)的特征，CSPDarknet53由五個(gè)殘差塊構(gòu)成，每個(gè)殘差塊分別包含了1、2、8、8、4個(gè)殘差單元，并在Darknet53的基礎(chǔ)上融入了CSPnet結(jié)構(gòu)，緩解了網(wǎng)絡(luò)深化造成的梯度消失的問題。

加強(qiáng)特征提取網(wǎng)絡(luò)由SPPNet和PANet兩部分構(gòu)成，將主干特征提取網(wǎng)絡(luò)得到的三個(gè)初步特征層進(jìn)行特征融合，從而獲得更有效的三個(gè)特征層。當(dāng)主干特征提取網(wǎng)絡(luò)的最后一個(gè)特征層完成三次卷積操作后，SPPNet對最后一個(gè)特征層進(jìn)行四個(gè)不同尺度的最大池化操作，來增加感受野，分離出顯著的上下文特征。隨后將SPPNet加強(qiáng)特征提取得到的特征層與主干網(wǎng)絡(luò)得到的另兩個(gè)特征層送入PANet，執(zhí)行自下而上和自上而下的雙向特征融合，實(shí)現(xiàn)特征的反復(fù)提取。

預(yù)測網(wǎng)絡(luò)利用從PANet獲得的多尺度特征進(jìn)行回歸和分類，最終輸出的維度包含樣本類別值、預(yù)測框在x軸和y軸的偏移量、預(yù)測框的高度和寬度和置信度。YOLOv4的整體結(jié)構(gòu)如圖4所示。

圖4 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 YOLOv4 network structure

2.2 深度可分離卷積

由于加強(qiáng)特征提取網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)存在較多的卷積過程，計(jì)算量較大，為了進(jìn)一步減少模型參數(shù)，本文在此處引入深度可分離卷積操作。

深度可分離卷積可以將傳統(tǒng)卷積分解為逐通道卷積和逐點(diǎn)卷積，逐通道卷積中的各個(gè)通道相互獨(dú)立，缺少通道間的特征融合，導(dǎo)致輸入輸出的通道數(shù)相同，因此后續(xù)還需連接一個(gè)逐點(diǎn)卷積，用于改變通道數(shù)和融合各通道間的特征。

對于通道數(shù)為Cin、大小為H×W的輸入特征圖，使用3×3的卷積核進(jìn)行點(diǎn)乘求和，得到通道數(shù)為Cout、大小為H×W的輸出特征圖。標(biāo)準(zhǔn)卷積的計(jì)算量為：

深度可分離卷積是由3×3的逐通道卷積和1×1的逐點(diǎn)卷積構(gòu)成，逐通道卷積的計(jì)算量為：

綜合兩步，可以得到深度可分離卷積與標(biāo)準(zhǔn)卷積的計(jì)算量之比：

由上式可知，深度可分離卷積雖然將一步卷積擴(kuò)展為兩步，但憑借其輕量化的卷積方式，總體計(jì)算量約為傳統(tǒng)卷積的1/9，極大程度地降低了卷積過程的計(jì)算量。

2.3 Fire Module

Fire Module的結(jié)構(gòu)如圖5所示。輸入特征圖依次經(jīng)過Squeeze層和Expand層，然后進(jìn)行融合處理，將兩個(gè)特征圖進(jìn)行通道拼接，作為最終輸出。Squeeze層使用1×1卷積進(jìn)行降維，特征圖的尺寸保持不變，輸出通道數(shù)為s。在Expand層，并行地使用1×1卷積和3×3卷積獲得不同感受野的特征圖，達(dá)到擴(kuò)展的目的。

圖5 Fire Module結(jié)構(gòu)Fig.5 Fire Module

主干特征提取網(wǎng)絡(luò)輸出三個(gè)不同尺度的特征圖，其中尺寸為13×13的特征圖需要先通過SPPNet結(jié)構(gòu)，再傳入PANet網(wǎng)絡(luò)中。從SPPNet輸出的特征圖通道數(shù)為2 048，對其進(jìn)行卷積操作會(huì)產(chǎn)生大量的參數(shù)，并且增加計(jì)算時(shí)間。公式（11）是使用Fire Module之后的參數(shù)量，其中Cin是輸入特征圖的通道數(shù)。

2.4 GS-YOLO

本文在YOLOv4的基礎(chǔ)上提出GS-YOLO車輛檢測網(wǎng)絡(luò)，其整體結(jié)構(gòu)如圖6所示。GS-YOLO在保證檢測精度基本不變的情況下，一定程度上簡化了網(wǎng)絡(luò)結(jié)構(gòu)和計(jì)算量，具體改進(jìn)如下：

圖6 GS-YOLO網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 GS-YOLO network structure

（1）主干特征網(wǎng)絡(luò)選用GhostNet對輸入圖像進(jìn)行初步特征提取，其中Ghost Module采用卷積核為1×1的傳統(tǒng)卷積和深度卷積的輕量操作。通過SE模塊對融合的特征進(jìn)行過濾，增強(qiáng)重要特征權(quán)重，抑制無用特征，得到52×52、26×26和13×13的輸出特征圖。

（2）在多尺度檢測部分，使用深度可分離卷積代替加強(qiáng)特征提取網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)中的傳統(tǒng)卷積，使參數(shù)量大量減少，具體改動(dòng)涉及：PANet網(wǎng)絡(luò)中五次卷積塊的3×3卷積、下采樣過程中使用的3×3卷積以及預(yù)測網(wǎng)絡(luò)Yolo-head中的3×3卷積。

（3）Fire Module可以在不過多增加計(jì)算開銷的同時(shí)，加深網(wǎng)絡(luò)深度，在SPPNet結(jié)構(gòu)的輸入輸出部分引入Fire Module，可在一定程度上提高檢測速度和準(zhǔn)確度。

3 實(shí)驗(yàn)及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)和平臺

本文采用UA-DETRAC車輛數(shù)據(jù)集，該數(shù)據(jù)集拍攝于北京和天津的24個(gè)過街天橋，以俯視角度拍攝共100個(gè)交通場景，并標(biāo)注了8 250個(gè)車輛和121萬個(gè)目標(biāo)對象。實(shí)驗(yàn)在全部場景中隨機(jī)抽取80%作為訓(xùn)練集，剩余20%的樣本作為測試集。

本實(shí)驗(yàn)在Windows10操作系統(tǒng)下進(jìn)行，使用Python3.7進(jìn)行編譯和測試，對應(yīng)開發(fā)工具為PyCharm2019.3.4，CPU為Intel Xeon Silver 4126，GPU為NVIDIA TITAN RTX。實(shí)驗(yàn)參數(shù)設(shè)置如表2所示，其中初始學(xué)習(xí)率為0.001，并在50 epoch后降低為0.000 1。

表2 實(shí)驗(yàn)參數(shù)選取Table 2 Selection of experimental parameters

3.2 模型性能評價(jià)指標(biāo)

模型的實(shí)際表現(xiàn)性能受到模型本身性能和計(jì)算平臺性能的共同影響，如圖7所示。計(jì)算平臺的計(jì)算能力與算力和帶寬有關(guān)，算力是指單位時(shí)間內(nèi)平臺傾盡全力能完成的浮點(diǎn)運(yùn)算數(shù)，代表計(jì)算平臺的性能上限，單位是FLOP/s；帶寬是指單位時(shí)間內(nèi)計(jì)算平臺傾盡全力所能完成的內(nèi)存交換量，代表計(jì)算平臺的帶寬上限，單位是Byte/s。

圖7 模型性能影響因素Fig.7 Factors of model performance

計(jì)算強(qiáng)度上限Imax是算力π和帶寬β的比值，單位是FLOPs/Byte，表示的是單位內(nèi)存交換最多可以完成多少次浮點(diǎn)運(yùn)算，具體關(guān)系為：

影響模型計(jì)算能力的兩個(gè)指標(biāo)是模型計(jì)算量和訪存量。

計(jì)算量指的是模型的浮點(diǎn)運(yùn)算次數(shù)，使用FLOPs衡量，即時(shí)間復(fù)雜度。時(shí)間復(fù)雜度影響模型的訓(xùn)練和預(yù)測時(shí)間，模型越復(fù)雜，模型訓(xùn)練和預(yù)測時(shí)間耗費(fèi)時(shí)間越多，也就無法快速地預(yù)測和驗(yàn)證想法。整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的時(shí)間復(fù)雜度表示為：

其中，D是神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)，Cl-1和Cl指的是第l個(gè)卷積層的輸入和輸出通道數(shù)，M是輸出特征圖邊長，K是卷積核邊長。

訪存量指的是單個(gè)樣本在模型中進(jìn)行一次前向傳播發(fā)生的內(nèi)存交換總量，即空間復(fù)雜度，訪存量由模型每層參數(shù)權(quán)重的內(nèi)存占用和輸出特征圖的內(nèi)存占用構(gòu)成。空間復(fù)雜度決定模型的參數(shù)量，模型參數(shù)越多，需要的訓(xùn)練數(shù)據(jù)量越大，由于實(shí)際生活中數(shù)據(jù)集通常不大，模型參數(shù)較多會(huì)導(dǎo)致訓(xùn)練過程容易發(fā)生過擬合現(xiàn)象。整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的空間復(fù)雜度表示為：

上式的第一個(gè)求和表達(dá)式代表總參數(shù)量與卷積核大小K、通道數(shù)C和層數(shù)D相關(guān)，第二個(gè)求和表達(dá)式說明輸出特征圖的空間占比是輸出特征圖尺寸與通道數(shù)的乘積。

模型的計(jì)算強(qiáng)度I是模型計(jì)算量與訪存量的比值，單位是FLOPs/Byte，表示模型在計(jì)算過程中單位內(nèi)存交換完成浮點(diǎn)計(jì)算次數(shù)。模型計(jì)算強(qiáng)度越大，內(nèi)存使用效率越高。

3.3 實(shí)驗(yàn)結(jié)果分析

表3是網(wǎng)絡(luò)模型使用深度可分離卷積和Fire Module前后的參數(shù)量對比，其中模型YOLOv4和YOLOv5是未做任何改動(dòng)的初始模型，Ghost-A僅將YOLOv4的主干網(wǎng)絡(luò)替換為GhostNet，Ghost-B是在Ghost-A的基礎(chǔ)上，對強(qiáng)特征提取網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)所有的3×3卷積中使用深度可分離卷積的模型，GS-YOLO是本文改進(jìn)后的模型。通過相關(guān)輕量化操作，模型參數(shù)量由6 394萬降至899萬，降低約86%。

表3 不同模型的參數(shù)量對比Table 3 Comparison of parameter numbers of different models

為了驗(yàn)證這些改進(jìn)點(diǎn)對模型性能的影響，將GS-YOLO與表3中的模型進(jìn)行消融實(shí)驗(yàn)，根據(jù)表2的參數(shù)配置訓(xùn)練參數(shù)，輸入尺寸均為416×416，結(jié)果如表4所示。

表4 不同模型的檢測結(jié)果對比Table 4 Comparison of detection results of different models

模型大小是指模型占用存儲空間字節(jié)數(shù)。由表4可知，使用GhostNet替換主干網(wǎng)絡(luò)CSPDarknet53模型后，模型占用內(nèi)存降低38.53%，精度增加0.14%，CPU檢測速度提高49.02%。在多尺度檢測部分，使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積進(jìn)一步減少了71.71%的內(nèi)存占用空間，CPU和GPU檢測速度分別提升66.70%和1.34%，精度損失僅為0.98%。在加強(qiáng)特征提取網(wǎng)絡(luò)引入Fire Module后，檢測精度提升1.29%，同時(shí)模型大小降低至34.77 MB，相較于原始YOLOv4占用內(nèi)存244.40 MB，減小了約86%的內(nèi)存空間，極大地減少了設(shè)備的資源消耗，提升了模型性價(jià)比。

根據(jù)Roofline Model[23]理論，模型實(shí)際測試性能會(huì)受到計(jì)算平臺的算力和帶寬影響，當(dāng)模型計(jì)算強(qiáng)度I小于平臺計(jì)算強(qiáng)度上限Imax的時(shí)候，模型性能受到平臺帶寬限制，處于帶寬瓶頸區(qū)域（Memory-Bound）；當(dāng)模型計(jì)算強(qiáng)度I大于平臺計(jì)算強(qiáng)度上限Imax的時(shí)候，模型處于計(jì)算瓶頸區(qū)域（Compute-Bound），雖受到平臺算力限制，但可以充分利用平臺的全部算力。

根據(jù)3.2節(jié)相關(guān)內(nèi)容和NVIDIA官網(wǎng)提供的數(shù)據(jù)可知，NVIDIA TITAN RTX的算力π為16.3 TFLOP/s，帶寬β為672 GB/s，平臺計(jì)算強(qiáng)度上限Imax約為22.6 FLOPs/Byte。表5為各模型的理論性能及計(jì)算強(qiáng)度。

表5 性能參數(shù)及計(jì)算強(qiáng)度Table 5 Performance parameters and operational intensity

經(jīng)過對比發(fā)現(xiàn)GS-YOLO在GPU上運(yùn)行時(shí)處于帶寬瓶頸區(qū)域，性能受到平臺帶寬限制，無法像YOLOv4一樣完全利用平臺的全部算力，所以推理時(shí)間減少效果不明顯。但在CPU處理器上運(yùn)行時(shí)，GS-YOLO的性能不再受帶寬限制，速度提升約83%，說明GS-YOLO更適合用于CPU或資源不足的設(shè)備上。

為了更直觀地展示檢測結(jié)果，使用GS-YOLO和YOLOv4進(jìn)行車輛檢測的結(jié)果對比如圖8所示，（a）為YOLOv4的結(jié)果，（b）為GS-YOLO的結(jié)果。測試圖像分別選取白天和夜間不同場景，從圖中標(biāo)出的目標(biāo)框可以看出模型輕量化操作前后，目標(biāo)檢測準(zhǔn)確率幾乎沒有差異。

圖8 YOLOv4和GS-YOLO檢測結(jié)果Fig.8 Detection results of YOLOv4 and GS-YOLO

4 結(jié)束語

本文提出一個(gè)適用于路側(cè)交通監(jiān)控場景的輕量型車輛檢測模型GS-YOLO。GS-YOLO使用GhostNet作為主干網(wǎng)絡(luò)，將SE模塊和檢測網(wǎng)絡(luò)相融合，極大地壓縮了模型占用內(nèi)存大小。在多尺度檢測部分使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，降低大量卷積操作產(chǎn)生的計(jì)算量。此外，在網(wǎng)絡(luò)中添加Fire Module也帶來了精度和速度的提升。使用Roofline Model理論對GS-YOLO不同資源條件下的計(jì)算性能進(jìn)行分析，結(jié)果表明，GS-YOLO在精度相對YOLOv4提升0.45%的同時(shí)，模型占用內(nèi)存從244 MB降低到34.77 MB，CPU和GPU上的檢測速度分別提升83.2%和7.3%，解決了YOLOv4檢測效率低的問題，對資源不足、計(jì)算能力低的設(shè)備十分友好。