1.基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,包括:
2.根据权利要求1所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,s1中,将数据集划分成训练集和测试集,并转化成深度学习框架所能读取的格式。
3.根据权利要求2所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,s3中,将训练集图像输入到基于改进的yolov5s网络模型进行特征提取,在主干网络中提取特征后在改进后的颈部网络进行特征融合,最后在检测头部输出。
4.根据权利要求2所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,s4中,基于改进的yolov5s网络模型训练完成后,生成训练的权重文件,将测试集样本输入到基于改进的yolov5s网络模型训练中加载权重文件进行预测,最终输出识别检测结果。
5.根据权利要求1所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,基于改进的yolov5s网络模型训练包括有主干部分、颈部部分和输出部分。
6.根据权利要求5所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,主干部分:在提取特征的主干网络部分的每个c3层后分别集成一个hor_block注意力模块,所述hor_block注意力模块用于加强yolov5s主干网络对水下图像的特征提取能力,所述hor_block注意力模块用于对输入的张量进行特征维度变换、水平层归一化、线性层线性变换、激活函数非线性映射、线性层线性变换、特征维度变换、droppath层、输出张量,在每个c3模块后分别输出一个特征图记为s1、s2、s3、s4,具体包括以下步骤:
7.根据权利要求6所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,颈部部分:在主干部分和检测头之间采用特征金字塔网络的结构,特征金字塔网络用于处理图像中不同尺度的特征信息,以便有效地检测不同大小的目标;
8.根据权利要求7所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,输出部分:由原来的80×80、40×40、20×20的三个检测头变成了160×160、80×80、40×40、20×20的四个检测头。
9.根据权利要求1所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,用于训练基于改进的yolov5s网络模型的损失函数采用ciou loss,该损失函数由置信度损失、类别损失和位置损失三部分组成,分别衡量模型训练过程中置信度的准确性、类别的准确判断以及检测框回归的精度,如公式(1)-(4)所示:
10.基于改进的yolov5s网络模型复杂水环境下目标检测系统,用于实现如权利要求1-9所述的基于改进的yolov5s网络模型复杂水环境下目标检测方法,其特征在于,包括: