張佳奇，郭 宣，李魏然，王勝科

（1.中國海洋大學(xué) 信息科學(xué)與技術(shù)學(xué)院，山東 青島 266100；2.青島第九中學(xué)，山東 青島，266000）

0 引言

近年來，隨著無人機(jī)技術(shù)快速發(fā)展，無人機(jī)低空遙感成為了衛(wèi)星遙感數(shù)據(jù)的重要補(bǔ)充，被廣泛應(yīng)用于農(nóng)業(yè)、安防、交通和戰(zhàn)場(chǎng)等領(lǐng)域。相較于衛(wèi)星遙感圖像，無人機(jī)圖像獨(dú)特的優(yōu)勢(shì)主要體現(xiàn)在便攜性好、成本較低及能實(shí)現(xiàn)多角度拍攝等方面。

目前，無人機(jī)目標(biāo)檢測(cè)任務(wù)通常通過離線處理無人機(jī)拍攝的圖像或?qū)D像傳輸至服務(wù)器進(jìn)行處理。然而，第一種方式并未充分利用無人機(jī)實(shí)時(shí)檢測(cè)分析的優(yōu)勢(shì)；第二種方式則依賴于網(wǎng)絡(luò)，既需要考慮數(shù)據(jù)傳輸過程中的隱私保護(hù)問題，還需要承擔(dān)較高成本。此外，由于無人機(jī)圖像具有高分辨率特點(diǎn)，在實(shí)際應(yīng)用場(chǎng)景中對(duì)自然場(chǎng)景的檢測(cè)算法效果不佳，無法直接應(yīng)用于工業(yè)應(yīng)用中。因此，改進(jìn)現(xiàn)有目標(biāo)檢測(cè)算法，在無人機(jī)上搭載的邊緣智能設(shè)備，實(shí)現(xiàn)在線分析高分辨率圖像這一功能是目前一大挑戰(zhàn)，也具有重要的實(shí)際應(yīng)用價(jià)值。

本文主要對(duì)無人機(jī)高分辨率圖像下的目標(biāo)檢測(cè)算法與模型壓縮方法進(jìn)行研究，結(jié)合具體硬件平臺(tái)進(jìn)行模型部署實(shí)驗(yàn)。主要工作如下：①通過分組卷積和通道混洗策略對(duì)目標(biāo)檢測(cè)算法的主干網(wǎng)絡(luò)進(jìn)行輕量化設(shè)計(jì)，結(jié)合通道注意力機(jī)制提升網(wǎng)絡(luò)精度；②在網(wǎng)絡(luò)剪枝層面，結(jié)合具體數(shù)據(jù)集對(duì)目標(biāo)檢測(cè)模型進(jìn)行通道剪枝；③針對(duì)無人機(jī)單類別檢測(cè)任務(wù)中目標(biāo)實(shí)例尺寸相對(duì)固定的特點(diǎn)，對(duì)輸出部分進(jìn)行優(yōu)化，最多可減少30%的參數(shù)量。

通過實(shí)驗(yàn)與在實(shí)際硬件上的運(yùn)行情況可知，本文方法相較于YOLOv5 算法，在無人機(jī)數(shù)據(jù)集VisDrone 和自建數(shù)據(jù)集OUC-UAV-DET 上的精度分別提升2%、4%，在英偉達(dá)硬件（Xavier）上推理速度約減1 ms。通過通道剪枝方法，能在保持算法精度的同時(shí)減少2 ms 的推理速度；對(duì)無人機(jī)單類別檢測(cè)任務(wù)中輸出部分進(jìn)行相關(guān)優(yōu)化后，推理時(shí)間最多能減少2 ms。

1 相關(guān)工作

通過對(duì)目標(biāo)檢測(cè)算法的發(fā)展歷史進(jìn)行研究后，將其劃分為傳統(tǒng)算法階段和深度學(xué)習(xí)階段。2012 年前，傳統(tǒng)目標(biāo)檢測(cè)階段主要采用手工提取特征的方法。通過滑窗遍歷技術(shù)，從整張圖像中提取有價(jià)值的特征，并利用支持向量機(jī)算法［1］或AdaBoost 分類方法［2］分類提取特征。此外，通過對(duì)整個(gè)圖像進(jìn)行特征提取，能將目標(biāo)檢測(cè)看作為回歸問題，從而實(shí)現(xiàn)快速預(yù)測(cè)。這兩種方法可看作為兩個(gè)階段目標(biāo)檢測(cè)算法和單階段目標(biāo)檢測(cè)算法的雛形。

早期，將卷積神經(jīng)網(wǎng)絡(luò)用到目標(biāo)檢測(cè)領(lǐng)域的是Over-Feat［3］，在此之前卷積神經(jīng)網(wǎng)絡(luò)已在圖像分類任務(wù)中取得了一定的成果。隨后，目標(biāo)檢測(cè)主要分為以R-CNN 系列［4-6］為代表的兩階段目標(biāo)檢測(cè)算法和以YOLO 系列為代表的單階段目標(biāo)檢測(cè)算法。其中，R-CNN 系列算法通過劃分區(qū)域來檢測(cè)對(duì)象，并非同時(shí)檢測(cè)整張圖像。這種方式具有兩個(gè)特點(diǎn)：算法需要多次計(jì)算才能提取所有對(duì)象；在算法執(zhí)行過程中不同系統(tǒng)接替工作。因此，R-CNN 系列算法屬于兩階段算法。

單階段目標(biāo)檢測(cè)算法（You Only Look Once，YOLO）的誕生是目標(biāo)檢測(cè)領(lǐng)域的一次突破，即僅用單個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)圖像的類別概率和邊界框坐標(biāo)［7］。由于算法自身只有一個(gè)神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)端到端優(yōu)化，這種端到端的統(tǒng)一檢測(cè)設(shè)計(jì)使得YOLO 架構(gòu)在推理過程中訓(xùn)練更快，實(shí)現(xiàn)實(shí)時(shí)訓(xùn)練，也保證了接近兩階段目標(biāo)檢測(cè)算法的高平均精度。目前，最具代表性的YOLO 框架YOLOv5 已可滿足一般使用場(chǎng)景，但在無人機(jī)高分辨率圖像的場(chǎng)景下，邊緣設(shè)備上的推理速度無法滿足實(shí)際應(yīng)用需求，其網(wǎng)絡(luò)結(jié)構(gòu)仍有壓縮和優(yōu)化空間。

2016 年來，由于實(shí)際應(yīng)用需要，輕量化的卷積神經(jīng)網(wǎng)絡(luò)研究開始逐漸浮現(xiàn)，為視覺深度學(xué)習(xí)模型在邊緣智能設(shè)備上的應(yīng)用提供了可能性。其中，輕量級(jí)研究較為經(jīng)典的工作包括基于深度可分離卷積的MobileNet 系列［8-10］。在ShuffleNetv2［11］中，從內(nèi)存訪問代價(jià)和顯卡并行性方向分析了如何設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，才能進(jìn)一步減少運(yùn)行時(shí)間，并提出輕量化網(wǎng)絡(luò)設(shè)計(jì)的4 條準(zhǔn)則及CSPNet［12］、VoVNet［13］、RepVGG［14］、GhostNet［15］等 輕量化網(wǎng)絡(luò) 結(jié)構(gòu)。此外，模型壓縮方式還包含神經(jīng)網(wǎng)絡(luò)剪枝、知識(shí)蒸餾等從大模型中產(chǎn)生小模型的方法。

綜上，本文使用分組卷積與通道混洗策略對(duì)檢測(cè)算法YOLOv5 的主干網(wǎng)絡(luò)進(jìn)行輕量化設(shè)計(jì)，既使用通道注意力機(jī)制提升網(wǎng)絡(luò)精度，又在網(wǎng)絡(luò)剪枝層面結(jié)合具體數(shù)據(jù)集對(duì)檢測(cè)模型進(jìn)行通道剪枝。此外，對(duì)于無人機(jī)單類別檢測(cè)任務(wù)，針對(duì)其目標(biāo)實(shí)例尺寸相對(duì)固定的特點(diǎn)優(yōu)化了模型的輸出部分。

2 輕量化目標(biāo)檢測(cè)算法

2.1 基于統(tǒng)計(jì)的語義相似度算法

本文對(duì)YOLOv5 的主干網(wǎng)絡(luò)進(jìn)行改進(jìn)，主要基于分組卷積通道混洗策略和深度可分離卷積。圖1 展示了網(wǎng)絡(luò)的整體結(jié)構(gòu)，該網(wǎng)絡(luò)去除了Fcous 結(jié)構(gòu)，使用S1、S2 模塊替代YOLOv5 中的C3 模塊，在頸部采用更簡單的直接相加方式進(jìn)行特征融合。

Fig.1 Overall structure of the network圖1 網(wǎng)絡(luò)整體結(jié)構(gòu)

YOLOv5 在輸入層后引入一種名為Focus 的結(jié)構(gòu)，如圖2 所示。該結(jié)構(gòu)對(duì)特征圖進(jìn)行間隔取樣得到4 個(gè)圖像，并將它們連接起來以使通道數(shù)量增加4 倍；然后通過卷積操作生成新的特征圖，以便在下采樣后保留所有空間信息。實(shí)際上，在淺層網(wǎng)絡(luò)中該結(jié)構(gòu)的效果并不顯著，主要從減少計(jì)算量和參數(shù)量角度所設(shè)計(jì)。

Fig.2 Fcous module圖2 Fcous模塊

為此，本文使用3×3 的卷積網(wǎng)絡(luò)替代Focus 結(jié)構(gòu)，盡管Focus 結(jié)構(gòu)的設(shè)計(jì)初衷是為了減少計(jì)算量和參數(shù)量，但實(shí)驗(yàn)證明使用卷積替代Focus 可獲得更好的效果。特別是，對(duì)于不含GPU 和NPU 加速的芯片，頻繁的切片操作會(huì)增加緩存占用、加重計(jì)算負(fù)擔(dān)，導(dǎo)致在部署時(shí)，許多推理框架無法高效適配Focus的高性能算子。

本文使用3×3 卷積網(wǎng)絡(luò)在改造目標(biāo)檢測(cè)網(wǎng)絡(luò)時(shí)，充分考慮了網(wǎng)絡(luò)輕量化設(shè)計(jì)的4 個(gè)準(zhǔn)則［11］：①使用相同的通道尺寸可最小化內(nèi)存訪問量；②避免過度使用分組卷積；③避免網(wǎng)絡(luò)過于碎片化；④不能忽略元素間的操作（例如shortcut、Add）。

YOLOv5 的主干網(wǎng)絡(luò)主要由C3 層組成，該層是CSP 結(jié)構(gòu)改進(jìn)后的版本，在與CSP 近乎相似的損耗上能取得更好的結(jié)果。然而，YOLOv5 因多次使用高通道數(shù)通道的C3層，將導(dǎo)致中間層通道之間的階躍差距較大。根據(jù)準(zhǔn)則①可知，高通道數(shù)的C3 層對(duì)CPU 性能并不友好。為了解決這個(gè)問題，本文將整個(gè)特征圖按通道分為c'、c -c'兩個(gè)部分，主要有以下優(yōu)點(diǎn)：將整個(gè)特征圖分為兩組，這種分組方式與分組卷積不同，不會(huì)增加卷積時(shí)的組數(shù)，符合準(zhǔn)則②；經(jīng)過特征圖分組后，將c'組通過短連接通道，而c -c'組經(jīng)過一系列卷積層后，使輸入輸出通道數(shù)保持一致，符合準(zhǔn)則①。

在特征融合部分，本文依然采用特征金字塔網(wǎng)絡(luò)和路徑聚合結(jié)構(gòu)。為了滿足準(zhǔn)則①中的最優(yōu)化內(nèi)存訪問和使用，在路徑聚合結(jié)構(gòu)采用相同的通道數(shù)進(jìn)行特征圖融合，使用特征圖直接相加的方式實(shí)現(xiàn)特征圖融合。

2.2 高效的通道注意力模塊

注意力機(jī)制在深度神經(jīng)網(wǎng)絡(luò)中可被看作是一個(gè)對(duì)象選擇過程。SENet［16］開創(chuàng)了通道注意力的先河，核心是一個(gè)用來收集全局信息的壓縮和激勵(lì)模塊。

首先，全局空間信息通過全局平均池化層匯集到壓縮模塊中，激勵(lì)模塊使用全連接層和非線性激活函數(shù)獲得注意力向量；然后，輸入特征的每個(gè)通道通過乘以注意力向量進(jìn)行加權(quán)。此外，SE 模塊能起到強(qiáng)調(diào)重要通道并抑制噪音的作用，缺點(diǎn)是在壓縮模塊中，全局平均池化無法很好的提取復(fù)雜的全局信息。同時(shí)，在激勵(lì)模塊中，兩個(gè)全連接層增加了模型復(fù)雜性。

對(duì)于本文而言，通道注意力機(jī)制的重要作用是降低模型的復(fù)雜性。為了在被分割后的混洗通道中恢復(fù)被打亂的通道信息，促進(jìn)通道間信息的交流，提升模型檢測(cè)性能。本文受SENet 啟發(fā)，在S1 與S2 模塊中添加通道注意力eSE模塊，如圖3 所示。同時(shí)，為了提升SE 模塊的執(zhí)行效率，本文將SENet 中兩個(gè)全連接層替換為一個(gè)點(diǎn)卷積，以降低模型的復(fù)雜性，提升執(zhí)行效率。由特征圖的可視化（見圖4，彩圖掃OSID 可見，下同）可見，注意力機(jī)制對(duì)模型存在積極影響。

Fig.3 eSE module圖3 eSE 模塊

Fig.4 Visualization results of feature maps圖4 特征圖可視化結(jié)果

3 目標(biāo)檢測(cè)算法剪枝

3.1 基于批量歸一化層的通道剪枝

剪枝技術(shù)可分為結(jié)構(gòu)化剪枝和非結(jié)構(gòu)化剪枝。其中，非結(jié)構(gòu)化剪枝技術(shù)可有效平衡參數(shù)數(shù)量和模型性能，但由于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的變化，需要特殊硬件設(shè)備支持其正確運(yùn)行。相比之下，結(jié)構(gòu)化剪枝技術(shù)可顯著減少網(wǎng)絡(luò)中濾波器組和特征通道數(shù)量，使模型高效運(yùn)行，無需復(fù)雜的算法設(shè)計(jì)和特殊的硬件。為此，本文采用批量歸一化層系數(shù)評(píng)估每個(gè)通道網(wǎng)絡(luò)參數(shù)的重要性，以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的結(jié)構(gòu)化剪枝。

批量歸一化可將每個(gè)層的神經(jīng)元輸出標(biāo)準(zhǔn)化，以維持激活值的分布穩(wěn)定，從而加快模型訓(xùn)練速度，有效抑制過擬合現(xiàn)象發(fā)生。批量歸一化的主要優(yōu)點(diǎn)之一是有助于穩(wěn)定深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練。深度神經(jīng)網(wǎng)絡(luò)對(duì)權(quán)重的初始化非常敏感，不良的初始權(quán)重會(huì)導(dǎo)致訓(xùn)練難以收斂，而批量歸一化可減少神經(jīng)網(wǎng)絡(luò)對(duì)權(quán)重初始化的敏感性，使訓(xùn)練過程更穩(wěn)定。此外，通過批量歸一化還可有效改善神經(jīng)網(wǎng)絡(luò)的性能。在訓(xùn)練過程中，由于輸入分布的變化，網(wǎng)絡(luò)可能產(chǎn)生不準(zhǔn)確的預(yù)測(cè)結(jié)果，而批量歸一化可有效減少內(nèi)部協(xié)變量偏移，從而提升神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性。

批量歸一化層的計(jì)算公式如式（1）所示，每個(gè)通道的輸出值z(mì)out與系數(shù)γ呈正相關(guān)，在γ接近于0 時(shí)激活值非常小。本文假設(shè)去掉γ趨于0 的通道，對(duì)于模型的影響不大，并且實(shí)際實(shí)驗(yàn)結(jié)果也符合預(yù)想。

由于不同數(shù)據(jù)集批量歸一化層系數(shù)分布的規(guī)律不同，可通過增加約束方法使其符合要求。在OUC-UAV-DET數(shù)據(jù)集上訓(xùn)練發(fā)現(xiàn)，批量歸一化層的系數(shù)呈正態(tài)分布，但其期望并不在0 附近，無法直接根據(jù)γ進(jìn)行剪枝。因此，本文在損失函數(shù)中添加L1 正則約束，嘗試將批量歸一化層的系數(shù)分布期望調(diào)整到0附近。

其中：第一項(xiàng)是正常訓(xùn)練的損失函數(shù)；第二項(xiàng)是正則化約束；g(s)=|s|；λ為正則系數(shù)。

在反向傳播時(shí)，損失函數(shù)的導(dǎo)數(shù)由式（3）所示。

在添加正則項(xiàng)后，隨著訓(xùn)練進(jìn)行，批量歸一化層參數(shù)正態(tài)分布的期望趨向于0，此時(shí)可進(jìn)行剪枝操作。在設(shè)定γ閾值時(shí)，應(yīng)不能大于任何通道批量歸一化層的最大γ，通過該閾值可有效剪除低于閾值的通道。通常情況下，剪枝結(jié)束后還需要重新訓(xùn)練模型以恢復(fù)模型精度。

3.2 針對(duì)單類目標(biāo)檢測(cè)的輸出層剪枝

YOLOv5 結(jié)構(gòu)在網(wǎng)絡(luò)的3 個(gè)或4 個(gè)不同階段輸出檢測(cè)結(jié)果。其中，3 個(gè)輸出層對(duì)應(yīng)的輸出由上至下分別通過P3、P4 和P5 進(jìn)行表示，第4 個(gè)輸出根據(jù)具體情況可能會(huì)由P2 或P6 進(jìn)行表示。當(dāng)輸入圖像大小為640×640 時(shí)，經(jīng)過8倍下采樣的P3 檢測(cè)層特征圖大小為80×80，特征圖中每個(gè)像素點(diǎn)可檢測(cè)原始大小在8×8 像素以上的目標(biāo)。以此類推，P4 經(jīng)過16 倍下采樣負(fù)責(zé)檢測(cè)16×16 以上的目標(biāo)，P5 經(jīng)過32 倍下采樣負(fù)責(zé)檢測(cè)16×16 以上的目標(biāo)。圖5 為對(duì)原始的YOLOv5輸出層剪枝后的輸出結(jié)構(gòu)。

在VisDrone 數(shù)據(jù)集、OUC-UAV-DET 數(shù)據(jù)集中，某些類別的樣本尺寸相對(duì)固定。本文認(rèn)為在檢測(cè)尺寸相對(duì)固定的類別時(shí)，對(duì)多個(gè)尺度的特征進(jìn)行融合并不能提升模型性能。為此，本文針對(duì)YOLO 的輸出層進(jìn)行剪枝，表1 為YOLOv5s 模型通過裁剪掉輸出層對(duì)參數(shù)量和計(jì)算量的影響。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 數(shù)據(jù)集

本文使用的數(shù)據(jù)集包括VisDrone 數(shù)據(jù)集和中國海洋大學(xué)無人機(jī)目標(biāo)檢測(cè)（OUC-UAV-DET）數(shù)據(jù)集。

VisDrone 航拍小目標(biāo)數(shù)據(jù)于2018 年提出，旨在為無人機(jī)應(yīng)用場(chǎng)景下的物體檢測(cè)提供一個(gè)相對(duì)通用和全面的大規(guī)模數(shù)據(jù)集。該數(shù)據(jù)集包含10 209 張靜態(tài)圖像（6 471 張用于訓(xùn)練，548 張用于驗(yàn)證，1 610 張用于測(cè)試及1 580 張未標(biāo)注的圖像），主要關(guān)注人類和車輛，并定義了直立行人、非站立狀態(tài)的人、小汽車、貨車、公共汽車、卡車、面包車、自行車、遮陽蓬三輪車和三輪車共10 個(gè)感興趣的對(duì)象類別。

中國海洋大學(xué)無人機(jī)目標(biāo)檢測(cè)（OUC-UAV-DET）數(shù)據(jù)集由中國海洋大學(xué)視覺實(shí)驗(yàn)室采集和標(biāo)注。該數(shù)據(jù)集主要在校園、海灘和街道等人車密集的場(chǎng)所拍攝，采用大疆無人機(jī)作為圖像采集設(shè)備。目前，該數(shù)據(jù)集包括2 071張高分辨率的靜態(tài)圖像，包括人、自行車、汽車、面包車、貨車、自行車、公共汽車、摩托車和船共9類目標(biāo)。

4.2 實(shí)驗(yàn)環(huán)境

本文訓(xùn)練的GPU 為2080Ti（顯存12 GB），部署時(shí)使用英偉達(dá)的Jetson AGX Xavier 平臺(tái)，算力為30 Tops，最大功耗為30 W。實(shí)驗(yàn)的操作系統(tǒng)為Ubuntu18.4，安裝了包括TensorRT 8.5.2、cuDNN 8.6.0、CUDA 11.4.19、OpenCV 4.5.4等軟件庫的JetPack5.1軟件包。

4.3 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

在目標(biāo)檢測(cè)中，平均值（Average Precision，AP）、均值平均精度（mean Average Percision，mAP）是兩個(gè)重要的衡量指標(biāo)［17，18］，mAP 為AP 值除以類別數(shù)，由式（1）所示。mAP@50 值指交并比閾值為0.5 的mAP，mAP@50∶95 指交并比閾值分別在0.5 與0.95 之間每隔0.05 的mAP 的平均值，AP 為準(zhǔn)確率—召回率曲線下的面積。

PR 曲線由改變IOU 閾值產(chǎn)生的多組準(zhǔn)確率與召回率，在平面坐標(biāo)系下對(duì)應(yīng)的點(diǎn)連接而成。目前，主流計(jì)算PR 曲線下面積（即AP）的方式有VOC 數(shù)據(jù)集和COCO 數(shù)據(jù)集的計(jì)算方式。本文使用COCO 方式進(jìn)行AP 計(jì)算，實(shí)驗(yàn)時(shí)延指推理時(shí)間與非極大值抑制耗時(shí)的總和。

4.4 結(jié)果分析

表2 為本文方法與原始YOLOv5 的比較結(jié)果。由此可知，本文方法相較于YOLOv5n 及其他模型精度更高，推理速度更快，更適用于無人機(jī)實(shí)時(shí)檢測(cè)場(chǎng)景，體現(xiàn)了本文設(shè)計(jì)網(wǎng)絡(luò)的優(yōu)越性。表3 的消融實(shí)驗(yàn)證明，添加高效的注意力模塊（eSE）和使用ADD 進(jìn)行特征融合，能有效提升模型的mAP，降低時(shí)延。表4 為使用批量歸一化層的通道剪枝方法后，YOLOv5s 在OUC-UAV-DET 數(shù)據(jù)集上的測(cè)試結(jié)果。由此可知，當(dāng)閾值為0.65 時(shí)模型精度大幅下跌，且速度提升已不明顯，因此本文選用0.6為剪枝閾值。

Table 2 Model evaluation on the VisDrone dataset表2 VisDrone數(shù)據(jù)集模型評(píng)估

Table 3 Ablation experiments表 3 消融實(shí)驗(yàn)

Table 4 Channel pruning results on the OUC-UAV-DET dataset表4 OUC-UAV-DET 數(shù)據(jù)集通道剪枝結(jié)果

由表5 可知，單類目標(biāo)的YOLO 輸出層剪枝在Vis-Drone 數(shù)據(jù)集和OUC-UAV-DET 數(shù)據(jù)集上的可行性，在只保留P3 層的情況下模型精度并未下降，只在P3 層輸出時(shí)的檢測(cè)效果甚至更好，證實(shí)了在檢測(cè)尺寸相對(duì)固定的類別時(shí)，對(duì)多個(gè)尺度的特征進(jìn)行融合并不能提升模型性能。

Table 5 Comparison of vehicle detection using different output layers表5 車輛檢測(cè)使用不同輸出層比較

4.5 邊緣設(shè)備部署結(jié)果分析

模型轉(zhuǎn)換后，模型精度略微下降，可能是由于單精度（fp32）浮點(diǎn)數(shù)轉(zhuǎn)半精度（fp16）浮點(diǎn)數(shù)所帶來的損失。表6為各模型在邊緣設(shè)備Xavier 上的性能，結(jié)果與表2 類似。由此可知，本文改進(jìn)的輕量化目標(biāo)檢測(cè)模型在VisDrone 與OUC-UAV-DET 數(shù)據(jù)集上的表現(xiàn)優(yōu)于YOLOv5、YOLOv6及YOLOv7 的輕量版本。表7 展示了推理一張高分辨率的4 000×2 250 圖像，從端到端所消耗的時(shí)間及幀率。由此可知，本文方法理論上可達(dá)到6.1 FPS的預(yù)測(cè)速度。

Table 6 Model performance on Jetson platform表6 Jetson 平臺(tái)模型性能

Table 7 Inference speed of the model on Jetson platform（high-resolution image cropping）表7 Jetson 平臺(tái)模型推理速度（高分辨率圖像切圖）

5 結(jié)語

本文從輕量化網(wǎng)絡(luò)設(shè)計(jì)與模型剪枝方向出發(fā)，對(duì)Vis-Drone 數(shù)據(jù)集與OUC-UAV-DET 全類別和特定類別進(jìn)行優(yōu)化，從模型與算法層面提升了無人機(jī)目標(biāo)檢測(cè)算法的性能。通過輕量化改造YOLOv5 的主干網(wǎng)絡(luò)，引入了一種更高效的通道注意力機(jī)制提升網(wǎng)絡(luò)精度。實(shí)驗(yàn)證明，該方法在公開無人機(jī)數(shù)據(jù)集VisDrone 和自建數(shù)據(jù)集OUC-UAVDET 上，能在保持較高精度的基礎(chǔ)上具備更快的推理速度。

同時(shí)，本文針對(duì)無人機(jī)單類別檢測(cè)任務(wù)中目標(biāo)實(shí)例尺寸相對(duì)固定的特點(diǎn)，采用網(wǎng)絡(luò)剪枝方法減少網(wǎng)絡(luò)輸出層，結(jié)合OUC-UAV-DET 數(shù)據(jù)集中批量歸一化層系數(shù)服從正態(tài)分布的規(guī)律，在損失函數(shù)中添加正則項(xiàng)，逐漸將批量歸一化層系數(shù)分布的期望值趨于0。然后，根據(jù)批量歸一化層的系數(shù)絕對(duì)值大小，評(píng)估網(wǎng)絡(luò)中各通道的重要性，并根據(jù)閾值對(duì)不重要通道進(jìn)行裁剪。實(shí)驗(yàn)證明，兩種剪枝方式在相關(guān)數(shù)據(jù)集上取得了良好的成效。

此外，本文在英偉達(dá)Jetson 平臺(tái)上對(duì)模型進(jìn)行部署和測(cè)試，結(jié)果表明在邊緣智能設(shè)備上，本文設(shè)計(jì)的輕量化目標(biāo)檢測(cè)模型和剪枝方法均取得了一定成效。基于此次研究，能使人們深入理解和掌握無人機(jī)目標(biāo)檢測(cè)算法和應(yīng)用，為無人機(jī)目標(biāo)檢測(cè)應(yīng)用提供重要的技術(shù)支持。未來，將進(jìn)一步擴(kuò)充高分辨率航拍圖像的數(shù)據(jù)量，通過更多實(shí)際場(chǎng)景數(shù)據(jù)提升模型的泛化性，以應(yīng)對(duì)在不同場(chǎng)景的實(shí)際檢測(cè)過程中可能遇到的問題。