陳金廣，李 雪，邵景峰，馬麗麗

(1.西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710048；2.西安工程大學(xué) 管理學(xué)院，陜西 西安 710048)

人工智能和服裝電子商務(wù)的結(jié)合日益密切，服裝圖像檢索、智能服裝搭配等技術(shù)應(yīng)用廣泛，但這些應(yīng)用通常依賴于高質(zhì)量的服裝目標(biāo)檢測(cè)技術(shù)。與此同時(shí)，服裝具有柔性特質(zhì)，極易發(fā)生形變，傳統(tǒng)的機(jī)器學(xué)習(xí)方法主要通過目標(biāo)輪廓提取、邊緣檢測(cè)等方法提取特征，再使用貝葉斯、支持向量機(jī)等分類器對(duì)物體進(jìn)行模式識(shí)別[1-2]。這種傳統(tǒng)的特征提取方法魯棒性不佳。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)具有在較大規(guī)模數(shù)據(jù)集上自動(dòng)提取圖像特征的能力，能夠充分挖掘圖像信息，較傳統(tǒng)方法，減少了人工干預(yù)，并且檢測(cè)精度得到很大提升，受到了廣泛關(guān)注。Faster-RCNN[3]、Mask-RCNN[4]等兩階段目標(biāo)檢測(cè)算法，通常檢測(cè)精度高但檢測(cè)效率較低、模型參數(shù)量較大，難以在實(shí)際場(chǎng)景中得到普及；而單盒多框檢測(cè)器(SSD)[5]、YOLO等一階段目標(biāo)檢測(cè)方法，檢測(cè)速度快，檢測(cè)精度較高，具有更強(qiáng)的實(shí)用性。文獻(xiàn)[6]提出基于尺寸分割和負(fù)樣本增強(qiáng)技術(shù)的SSD改進(jìn)算法，能夠識(shí)別不同的西裝目標(biāo)。文獻(xiàn)[7]針對(duì)模型占據(jù)大量計(jì)算資源的問題，提出輕量級(jí)服裝目標(biāo)檢測(cè)模型，為服裝目標(biāo)檢測(cè)提供一個(gè)實(shí)用的研究方向。

本文從減少模型參數(shù)量和浮點(diǎn)型計(jì)算量的角度出發(fā)，提出一種改進(jìn)的輕量級(jí)服裝目標(biāo)檢測(cè)模型，使用移動(dòng)網(wǎng)絡(luò)重新構(gòu)建YOLOv5的主干網(wǎng)絡(luò)，對(duì)于訓(xùn)練集中個(gè)別服裝類別數(shù)據(jù)量較少的問題，使用數(shù)據(jù)增強(qiáng)技術(shù)進(jìn)行數(shù)據(jù)擴(kuò)充，并在訓(xùn)練階段使用標(biāo)簽平滑(label smoothing)防止模型過擬合，研究改進(jìn)后的模型輕量化程度以及對(duì)服裝圖像的目標(biāo)檢測(cè)效果。

1 MV3L-YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

MV3L-YOLOv5服裝目標(biāo)檢測(cè)網(wǎng)絡(luò)主要包含輸入端、主干網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)以及預(yù)測(cè)端4個(gè)部分，結(jié)構(gòu)如圖1所示。

圖1 MV3L-YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

第1部分是輸入端。主要使用了馬賽克(Mosaic)圖像增強(qiáng)。該方法一次性隨機(jī)選擇4張圖片，通過剪裁、縮放等方式將其拼接成一張圖片，再送入深度網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。Mosaic方法有利于加速網(wǎng)絡(luò)收斂。

第2部分是主干網(wǎng)絡(luò)。使用輕量化的MobileNetV3_Large[8]結(jié)構(gòu)重構(gòu)YOLOv5的主干網(wǎng)絡(luò)，經(jīng)過MobileNetV3_Large提取圖像特征后，將網(wǎng)絡(luò)的第7、14以及16層的輸出特征圖作為Neck網(wǎng)絡(luò)的輸入特征圖。

第3部分是Neck網(wǎng)絡(luò)。該部分將特征層構(gòu)造成特征金字塔[9](FPN)結(jié)構(gòu)以及路徑聚合網(wǎng)絡(luò)[10](PANet)中的PAN結(jié)構(gòu)。首先，F(xiàn)PN自頂向下將高層語義特征傳遞到底層；然后，F(xiàn)PN結(jié)構(gòu)后面再添加2個(gè)PAN結(jié)構(gòu)，將底層的強(qiáng)定位信息傳遞到高層，所以整個(gè)Neck網(wǎng)絡(luò)能夠同時(shí)融合淺層和深層特征信息。

第4部分是預(yù)測(cè)端。以640像素×640像素的輸入圖像為例，Neck網(wǎng)絡(luò)輸出的多尺度特征再經(jīng)預(yù)測(cè)端的卷積操作后，輸出特征尺寸分別為80像素×80像素，40像素×40像素和20像素×20像素。輸出不同尺度的特征用來進(jìn)行目標(biāo)分類和回歸預(yù)測(cè)，分別檢測(cè)小、中等以及大的服裝目標(biāo)。

2 標(biāo)簽平滑

過擬合問題在深度學(xué)習(xí)中比較常見，是指模型在訓(xùn)練集上表現(xiàn)很好，而在未參與訓(xùn)練的數(shù)據(jù)上表現(xiàn)較差，說明模型魯棒性不高，難以適應(yīng)新的數(shù)據(jù)。數(shù)據(jù)樣本較少或者模型過度訓(xùn)練都可能導(dǎo)致模型的過擬合。此外，數(shù)據(jù)集中若存在少量錯(cuò)誤標(biāo)簽，同樣會(huì)影響到模型訓(xùn)練以及預(yù)測(cè)準(zhǔn)確度。本文使用標(biāo)簽平滑策略緩解服裝目標(biāo)檢測(cè)模型的過擬合問題。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集處理及評(píng)價(jià)指標(biāo)

DeepFashion2[11]是一個(gè)公開的大型服裝數(shù)據(jù)集，下載到本地的圖片共約30萬張，包含13種服裝類別。數(shù)據(jù)準(zhǔn)備時(shí)發(fā)現(xiàn)，DeepFashion2中類別數(shù)量分布不夠均衡，如訓(xùn)練集中，包含短袖衫的圖片篩選出7萬多張，而包含短袖外衫的圖片僅篩選出500余張。為緩解這一現(xiàn)象給模型訓(xùn)練帶來的影響，將該數(shù)據(jù)集作如下處理。

首先，將帶有標(biāo)簽文件的訓(xùn)練集圖片按照類別進(jìn)行分類；然后，針對(duì)每種服裝類別，分別進(jìn)行隨機(jī)抽取，抽取過程中根據(jù)每種服裝類別的數(shù)據(jù)量大小適當(dāng)調(diào)整抽取比例(短袖外衫數(shù)據(jù)過少，保留全部圖片)，并將抽取好的圖片再次混合；最后，將混合好的訓(xùn)練集圖像對(duì)應(yīng)的標(biāo)簽文件轉(zhuǎn)成MV3L-YOLOv5網(wǎng)絡(luò)能夠識(shí)別的格式，得到訓(xùn)練集數(shù)據(jù)。驗(yàn)證集同樣進(jìn)行如上處理。

此外，在未給標(biāo)簽文件的測(cè)試集中篩選出短袖外衫這一類別的圖片，并進(jìn)行水平反轉(zhuǎn)、裁剪、傾斜、噪聲、模糊等數(shù)據(jù)增強(qiáng)操作，將該類別圖片由原來的500多張?jiān)黾拥?00多張，數(shù)據(jù)增強(qiáng)前后圖像對(duì)比效果如圖2所示。使用LabelImg工具將沒有標(biāo)簽的圖像進(jìn)行手工標(biāo)注，并補(bǔ)充到訓(xùn)練集中，最終得到訓(xùn)練集圖片15 205張，驗(yàn)證集圖片7 763張。處理好的數(shù)據(jù)集中，服裝各類別數(shù)量分布如表1 所示。

圖2 數(shù)據(jù)增強(qiáng)圖片示例

表1 訓(xùn)練集和驗(yàn)證集中服裝目標(biāo)的數(shù)量分布

采用精確率P、召回率R、平均檢測(cè)精度PA以及平均檢測(cè)精度均值PmA作為模型的評(píng)價(jià)指標(biāo)，計(jì)算公式如式(1)～(4)所示。

(1)

(2)

(3)

(4)

式中：NTP為將正例預(yù)測(cè)為正例的個(gè)數(shù)；NFP為將反例預(yù)測(cè)為正例的個(gè)數(shù)；NFN為將反例預(yù)測(cè)為反例的個(gè)數(shù)；PA為模型對(duì)單個(gè)類別的平均檢測(cè)精度；PmA為模型對(duì)數(shù)據(jù)集中總類別的平均檢測(cè)精度均值；N為數(shù)據(jù)集中的類別總數(shù)，在本文中N為13。PA和PmA的數(shù)值越大表示模型檢測(cè)效果越好。

3.2 模型訓(xùn)練

實(shí)驗(yàn)環(huán)境：Intel(R)Xeon(R)CPU E5-2630 v4@ 2.20 GHz；GPU型號(hào)為TITAN XP，使用CUDA9.2進(jìn)行加速；操作系統(tǒng)為Ubuntu16.04；深度學(xué)習(xí)框架版本為Pytorch1.7.1。

參數(shù)設(shè)置：模型采用多尺度訓(xùn)練方法，初始學(xué)習(xí)率為0.01，warm_up為3，權(quán)重衰減系數(shù)為0.000 5，使用隨機(jī)梯度下降法(SGD)進(jìn)行優(yōu)化，動(dòng)量等于0.937，標(biāo)簽平滑指數(shù)設(shè)置為0.001，batch_size等于16，總訓(xùn)練輪數(shù)為600輪。

模型訓(xùn)練時(shí)的損失由置信度損失、類別概率損失以及邊界框回歸損失3個(gè)部分組成，MV3L-YOLOv5模型使用二值交叉熵?fù)p失計(jì)算前兩部分的損失；采用完全交并比損失(CIoU Loss)[12]計(jì)算邊界框損失值，該損失計(jì)算公式如式(5)～(7)所示。

(5)

(6)

(7)

式中：b和bg分別為預(yù)測(cè)框和真實(shí)框的中心點(diǎn)坐標(biāo)；ρ(b,bg)為預(yù)測(cè)框和真實(shí)框2個(gè)中心點(diǎn)間的歐式距離；c為兩框之間的最小外接矩形的對(duì)角線長(zhǎng)度；wg和hg分別為真實(shí)框的寬和高；w和h分別為預(yù)測(cè)框的寬和高；pIoU為兩框之間的交并比。

MV3L-YOLOv5模型訓(xùn)練過程中的損失L以及平均檢測(cè)精度均值PmA變化曲線如圖3所示?？煽闯觯涸谟?xùn)練約500輪以后，損失基本不再下降，說明此時(shí)模型基本達(dá)到收斂，PmA值也趨于穩(wěn)定。

圖3 模型訓(xùn)練損失和平均精度均值PmA變化曲線

3.3 模型驗(yàn)證與分析

使用驗(yàn)證集對(duì)模型進(jìn)行驗(yàn)證，得到模型改進(jìn)前后在每種服裝類別上的PA值，數(shù)據(jù)對(duì)比如表2所示。

由表2可看出，MV3L-YOLOv5模型的PA值普遍高于改進(jìn)前YOLOv5s模型的PA值；短袖衫和長(zhǎng)褲2種類別的PA值均達(dá)到了90%以上，同時(shí)MV3L-YOLOv5對(duì)吊帶、長(zhǎng)袖連衣裙以及吊帶裙這 3種類別的檢測(cè)精度提升較為明顯。通過觀察服裝數(shù)據(jù)集可知，吊帶和背心，吊帶裙和無袖連衣裙圖像本身就具有很大的相似性，特征提取較為困難，YOLOv5s對(duì)此類目標(biāo)的檢測(cè)效果一般，而MV3L-YOLOv5能夠提高吊帶和吊帶裙的PA值，說明該模型挖掘到了更深層次的服裝特征信息，能夠更好地區(qū)分出這 2種服裝類別。

表2 模型改進(jìn)前后在每種服裝類別上的PA值對(duì)比

3.4 模型對(duì)比分析

使用上文處理過的服裝數(shù)據(jù)集同時(shí)訓(xùn)練并驗(yàn)證了其他YOLO系列的檢測(cè)模型，模型結(jié)果及性能對(duì)比分別如表3、4所示。

表3 模型訓(xùn)練結(jié)果對(duì)比

表4 模型性能對(duì)比

結(jié)合表3、4可看出，對(duì)比YOLOv5s網(wǎng)絡(luò)，MV3L-YOLOv5 的PmA提高了1.3%；參數(shù)量和浮點(diǎn)型計(jì)算量分別下降了27.8%和39%；模型體積壓縮了26.4%；綜合對(duì)比MV3L-YOLOv5、YOLOv5s、YOLOv4-Tiny以及YOLOv3-Tiny這4種輕量級(jí)網(wǎng)絡(luò)，MV3L-YOLOv5網(wǎng)絡(luò)整體性能表現(xiàn)最優(yōu)。MV3L-YOLOv5和網(wǎng)絡(luò)結(jié)構(gòu)較大并且占用計(jì)算資源也較多的YOLOv5l、YOLOv3-SPP相比，PmA雖然有所下降，但其參數(shù)量、浮點(diǎn)型計(jì)算量以及模型體積約為這些大型網(wǎng)絡(luò)的十分之一，并且推理時(shí)間約為二分之一，對(duì)比之下MV3L-YOLOv5對(duì)計(jì)算資源的占用更低。

YOLOv5s與MV3L-YOLOv5這2種模型的服裝目標(biāo)檢測(cè)效果對(duì)比如圖4所示。當(dāng)服裝遮擋比較嚴(yán)重或目標(biāo)之間特征區(qū)分不夠明顯時(shí)，MV3L-YOLOv5對(duì)服裝的漏檢、誤檢的情況對(duì)比YOLOv5s有所改善。

圖4 2種模型的服裝目標(biāo)檢測(cè)效果對(duì)比

4 消融實(shí)驗(yàn)

該部分的消融實(shí)驗(yàn)將YOLOv5s、以MobileNetV3_Small作為主干網(wǎng)絡(luò)的YOLOv5和本文所提出的MV3L-YOLOv5網(wǎng)絡(luò)進(jìn)行對(duì)比，主要實(shí)驗(yàn)使用標(biāo)簽平滑(記為L(zhǎng)S)策略以及不同的非極大值抑制方法對(duì)模型產(chǎn)生的影響，證明改進(jìn)的服裝檢測(cè)模型的有效性。目標(biāo)檢測(cè)任務(wù)通常使用標(biāo)準(zhǔn)非極大值抑制(NMS)、柔性非極大值抑制(Soft NMS)以及加權(quán)平均非極大值抑制(NMW)等方法將網(wǎng)絡(luò)預(yù)測(cè)端繪制的多余的預(yù)測(cè)框?yàn)V除。消融實(shí)驗(yàn)的設(shè)計(jì)如表5所示。消融實(shí)驗(yàn)結(jié)果如表6所示。表中最后1列處理時(shí)間表示分別使用NMS、Soft NMS以及NMW方法濾除多余預(yù)測(cè)框的操作所消耗的時(shí)間。

表5 消融實(shí)驗(yàn)設(shè)計(jì)

對(duì)比表6中的①②、③④和⑦⑧可知，引入LS后，YOLOv5s、MobileNetV3_Small-YOLOv5以及MobileNetV3_Large-YOLOv5網(wǎng)絡(luò)的PmA分別提升了0.3%、0.2%和0.1%，實(shí)驗(yàn)結(jié)果證明使用LS對(duì)網(wǎng)絡(luò)的PmA有提升作用。對(duì)比⑤⑥⑧可知，使用Soft NMS或NMW的網(wǎng)絡(luò)處理多余預(yù)測(cè)框的處理時(shí)間比MV3L-YOLOv5少了數(shù)倍，并且PmA也有略微的下降。對(duì)比①③⑦可看到，使用MobileNetV3_Small作為YOLOv5的主干網(wǎng)絡(luò)，雖然模型體積最小，但PmA比YOLOv5s低了3.9%，模型的檢測(cè)性能損失較大，而MobileNetV3_Large作為YOLOv5的主干網(wǎng)絡(luò)，PmA比YOLOv5s提升1.2%，模型體積依然減少了3.67 MB。綜上考慮，MV3L-YOLOv5模型使用MobileNetV3_Large構(gòu)建主干網(wǎng)絡(luò)，引入LS策略，并采用標(biāo)準(zhǔn)的NMS濾除多余預(yù)測(cè)框。

表6 消融實(shí)驗(yàn)結(jié)果

5 結(jié) 論

為進(jìn)一步減少服裝目標(biāo)檢測(cè)模型對(duì)計(jì)算資源的占用，本文提出了一種改進(jìn)YOLOv5網(wǎng)絡(luò)的輕量級(jí)服裝目標(biāo)檢測(cè)方法。使用MobileNetV3_Large構(gòu)建YOLOv5的主干網(wǎng)絡(luò)；在訓(xùn)練階段引入標(biāo)簽平滑策略來校正模型；針對(duì)服裝圖像較少的類別，使用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充數(shù)據(jù)量。模型經(jīng)訓(xùn)練和驗(yàn)證表明，改進(jìn)后的模型有效降低了運(yùn)行所需的參數(shù)量和浮點(diǎn)型計(jì)算量，對(duì)比表3中已有的檢測(cè)方法，檢測(cè)準(zhǔn)確率有所提升并且模型較為輕量，更適合在移動(dòng)或嵌入式設(shè)備中使用。