基于YOLOv8的小目标改进轻量级模型FDM-YOLO
计算机视觉与模式识别
2025-03-07 v1
摘要
小目标由于像素数量少、背景复杂和拍摄角度变化而难以检测，模型难以提取有效特征。虽然一些大规模模型提供了高精度，但其推理时间长，不适合在边缘设备上实时部署。另一方面，为低计算能力设计的模型往往检测精度较差。本文聚焦于小目标检测，探索在低计算约束下的目标检测方法。基于YOLOv8模型，我们提出了一种新的网络架构FDM-YOLO。我们的研究包括以下关键贡献：我们通过分析YOLOv8检测头的输出来引入FDM-YOLO。我们添加了一个高分辨率层并移除了大目标检测层，以更好地处理小目标。基于PConv，我们提出了一种名为Fast-C2f的轻量级网络结构，并将其集成到模型的PAN模块中。为了缓解模型轻量化导致的精度损失，我们采用了动态上采样(Dysample)和轻量级EMA注意力机制。FDM-YOLO模型在Visdrone数据集上验证，参数数量减少了38%，Map0.5分数从38.4%提高到42.5%，同时保持了几乎相同的推理速度。这证明了我们的方法在平衡精度和效率以进行边缘设备部署方面的有效性。
引用
@article{arxiv.2503.04452,
title = {A lightweight model FDM-YOLO for small target improvement based on YOLOv8},
author = {Xuerui Zhang},
journal= {arXiv preprint arXiv:2503.04452},
year = {2025}
}