基于改进YOLOv8的小目标检测追踪方法及系统
本发明涉及目标检测与目标追踪，尤其涉及基于改进yolov8的小目标检测追踪方法及系统。
背景技术：
1、近年来，无人机的应用越来越广泛，应用的领域也是越来越多。在交通、医疗、监控、农业等诸多方面发挥了极其重要的作用。由于无人机在高度和角度变化的情况下存在拍摄的难度，同时无人机拍摄小目标也会有一定的困难，在智慧社区中摄像头拍摄的人与车也是存在着远距离目标与大量小目标，往往由于距离过远存在小目标难以检测或遮挡问题，这限制了智慧社区的行人与车辆的检测与追踪。智慧社区针对远距离小目标是一个具有挑战性的问题，也是日常中最常见的问题，目前最主流的多目标追踪主要是以tbd范式为主，检测精度往往决定着追踪准确性。
2、然而小目标的检测往往是一大难题，智慧社区中存在大量难以检测的小目标，亦或是由于远距离的存在导致目标过小。智慧社区的小目标检测难点主要在于：(1)由于人或车存在距离过远，距离近的目标往往尺寸比例相对远距离的目标过大，因此网络模型容易检测简单的目标，往往会忽略后面的目标，因此训练一个针对小目标检测的模型赖检测到小目标或远距离目标往往很重要。(2)智慧社区中存在很多车或者人以及大量的花草树木，相互间遮挡是最常见不过的事情，这种遮挡往往会导致检测存在纰漏，被遮挡者存在检测信息较少，难以检测等问题。(3)由于远距离小目标的存在，往往会存在一定的误检，花草树木的存在也或许会被检测成人，甚至大片草丛会被检测成车。智慧社区中远距离小目标检测仍是一个难题，因此需要设计一个合适的网络结构来进行对小目标检测与追踪。
3、为解决目标检测算法中小目标难以检测的困难，yang等人提出来一种融合网络，将多层特征与有效的锚采样相融合，以提高对小物体的灵敏度。wei等人将transformer应用于小目标检测，提出了cg-net，可以有效地加强通道之间的联系。bai等人提出了一种端到端的生成对抗网络，将模糊的小目标清晰化。更有无数学者在yolo这个实时性一阶段目标检测算法中进行大量的改进，以求于更好地应用于实际生活。
4、但是在实际部署时面临资源限制和性能瓶颈的问题，体现在如何在保持模型性能的同时降低其复杂度和资源需求，减小模型的大小和提高推理速度。
技术实现思路
1、本发明的目的在于提供基于改进yolov8的小目标检测追踪方法及系统，以解决在实际部署时面临资源限制和性能瓶颈的问题。
2、为实现上述目的，本发明采用以下技术方案：
3、第一方面，本发明提供基于改进yolov8的小目标检测追踪方法，包括：
4、获取智慧社区目标检测数据集，选取yolov8中的小模型yolov8s作为网络模型，对网络模型进行修改四检测头，融合上下文门控卷积context-gated convolution结构，引入加权双向特征金字塔网络bifpn结构以及修改损失函数；
5、对修改后的模型进行剪枝操作，对剪枝后的模型进行特征蒸馏和逻辑蒸馏操作，得到轻量化高精度的检测模型；
6、将剪枝蒸馏后的轻量化高精度的检测模型融合于追踪模型中，实现小目标追踪。
7、进一步的，选取智慧社区目标检测数据集，并将数据集划分为训练集、验证集、测试集；选取取yolov8中的小模型yolov8s作为基线进行主干改进，融合context-gatedconvolution结构，在每个c2f之后均插入context-gated convolution结构，用以调整卷积核权重。
8、进一步的，对网络模型进行修改四检测头：四检测头结构的调整，在颈部多一层上采样与下采样，能够对小目标或远距离目标进行检测。
9、进一步的，引入bifpn结构：
10、通过四检测头的调整使得颈部中存在三个上采样和三个下采样，在颈部与主干之间使用四个通道为256的卷积进行特征额外传递，达到特征传递过程中的进一步保留。
11、进一步的，修改损失函数：
12、更换wiou损失函数，wiou损失函数通过引入权重系数，将目标的位置和大小信息考虑在内。
13、进一步的，剪枝操作：采用的是基于层自适应幅度的剪枝，通过引入一个全局剪枝重要性评分来指导剪枝过程；评分是基于每一层的权重大小和剪枝引起的模型级l2失真进行计算的；蒸馏是选取yolov8l模型作为教师网络，选取改进后的网络作为学生网络，进行蒸馏。
14、进一步的，融合追踪模型：选取bytetrack算法、botsort算法、ocsort算法、strongsort算法四种算法进行融合。
15、第二方面，本发明提供基于改进yolov8的小目标检测追踪系统，包括：
16、模型修改模块，用于获取智慧社区目标检测数据集，选取yolov8中的小模型yolov8s作为网络模型，对网络模型进行修改四检测头，融合context-gated convolution结构，引入bifpn结构以及修改损失函数；
17、检测模型获取模块，用于对修改后的模型进行剪枝操作，对剪枝后的模型进行特征蒸馏和逻辑蒸馏操作，得到轻量化高精度的检测模型；
18、追踪融合模块，用于将剪枝蒸馏后的轻量化高精度的检测模型融合于追踪模型中，实现小目标追踪。
19、第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于改进yolov8的小目标检测追踪方法的步骤。
20、第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于改进yolov8的小目标检测追踪方法的步骤。
21、与现有技术相比，本发明有以下技术效果：
22、本发明公开了一种智慧社区的轻量化目标检测方法，该方法基于yolov8目标检测算法，yolov8算法包含主干网络，颈部网络，以及检测头。本发明的改进是引入四检测头结构的网络模型和bifpn结构提高检测精度，融合context-gated convolution结构，以便于根据图像的语义信息来调整卷积核的权重，最后引入wiou损失函数用以提高模型的泛化能力。
23、整个模型训练后再引入剪枝和蒸馏策略对网络模型的性能进行提升的同时进一步轻量化网络模型。本发明在yolov8的基础上大幅提高检测精度，降低了计算量和参数量，模型权重大幅减小，有效的对智慧社区行人车辆进行检测，最后将轻量化高精度的检测模型和多目标追踪算法进行融合，更好的应用于智慧社区的目标检测与追踪。
技术特征：
1.基于改进yolov8的小目标检测追踪方法，其特征在于，包括：
2.根据权利要求1所述的基于改进yolov8的小目标检测追踪方法，其特征在于，选取智慧社区目标检测数据集，并将数据集划分为训练集、验证集、测试集；选取取yolov8中的小模型yolov8s作为基线进行主干改进，融合context-gated convolution结构，在每个c2f之后均插入context-gated convolution结构，用以调整卷积核权重。
3.根据权利要求1所述的基于改进yolov8的小目标检测追踪方法，其特征在于，对网络模型进行修改四检测头：四检测头结构的调整，在颈部多一层上采样与下采样，能够对小目标或远距离目标进行检测。
4.根据权利要求1所述的基于改进yolov8的小目标检测追踪方法，其特征在于，引入bifpn结构：
5.根据权利要求1所述的基于改进yolov8的小目标检测追踪方法，其特征在于，修改损失函数：
6.根据权利要求1所述的基于改进yolov8的小目标检测追踪方法，其特征在于，剪枝操作：采用的是基于层自适应幅度的剪枝，通过引入一个全局剪枝重要性评分来指导剪枝过程；评分是基于每一层的权重大小和剪枝引起的模型级l2失真进行计算的；蒸馏是选取yolov8l模型作为教师网络，选取改进后的网络作为学生网络，进行蒸馏。
7.根据权利要求1所述的基于改进yolov8的小目标检测追踪方法，其特征在于，融合追踪模型：选取bytetrack算法、botsort算法、ocsort算法、strongsort算法四种算法进行融合。
8.基于改进yolov8的小目标检测追踪系统，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于改进yolov8的小目标检测追踪方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于改进yolov8的小目标检测追踪方法的步骤。
技术总结
基于改进YOLOv8的小目标检测追踪方法及系统，包括：获取智慧社区目标检测数据集，选取YOLOv8中的小模型YOLOv8s作为网络模型，对网络模型进行修改四检测头，融合Context‑Gated Convolution结构，引入bifpn结构以及修改损失函数；对修改后的模型进行剪枝操作，对剪枝后的模型进行特征蒸馏和逻辑蒸馏操作，得到轻量化高精度的检测模型；将剪枝蒸馏后的轻量化高精度的检测模型融合于追踪模型中，实现小目标追踪。本发明有效的对智慧社区行人车辆进行检测，最后将轻量化高精度的检测模型和多目标追踪算法进行融合，更好的应用于智慧社区的目标检测与追踪。
技术研发人员：赖惠成,聂源,高古学,汤静雯,蒲小莉
受保护的技术使用者：新疆大学
技术研发日：
技术公布日：2024/9/23