21、基于 YOLOv5 的轻量级相对位置检测算法

基于 YOLOv5 的轻量级相对位置检测算法

1. 算法复杂度衡量

在计算量方面，通常使用 FLOPs（浮点运算）来衡量算法的复杂度。假设 $c$ 是输入特征图的数量，$h$ 是输出特征图的长度，$w$ 是宽度，$n$ 是输入特征图的数量。普通卷积模块的计算量如公式 (3) 所示：
[FLOPs = hwnk^2c]
Ghost 模块的计算量 $FLOPsg$ 如公式 (4) 所示：
[FLOPsg = \frac{hwn}{s} k^2c + (s - 1)\frac{hwn}{s} k^2]
从公式 (3) 和 (4) 可以看出，与普通卷积模块相比，Ghost 模块的浮点运算压缩比约为 $s$。

2. LG - YOLO 网络模型

2.1 基于 Ghost 模块的 YOLOv5s 网络优化

为实现模型的轻量化，使用 GhostNet 的 Ghost 模块结构对 YOLOv5s 网络结构进行修改。
- GhostConv 模块 ：在 YOLOv5s 中，基于传统卷积方法的 CBS 结构是网络各层的基本卷积单元。设计的 GhostConv 模块将每个输入通道映射为一个固有特征图和一个幽灵特征图，每个通道的总映射数 $s$ 为 2。幽灵特征图通过卷积核大小为 5 的深度分离卷积生成。GhostConv 模块取代了 LG - Ghost 网络中的原始 CBS 模块。
- C3Ghost 模块 ：Ghost 瓶颈结构取代了 YOLOv5 中 CSP 模块的瓶颈，并与三个 CBS 卷积单元形成新的 C3Ghost 模块。两个