基于Ghost模块的轻量化饮料识别模型OA

针对目前目标检测算法应用于无人自动售货机上存在参数多、计算量大、不利于部署在资源有限平台上等问题,提出一种轻量化改进YOLOv5s的商品识别模型。该模型引入GhostNet中的Ghost卷积、C3Ghost模块以及Hard-Swish激活函数对YOLOv5s模型主干进行优化,再通过融合CA注意力机制以及BiFPN来对检测模型进行优化。主要目的是在保证模型准确率的基础上,能够降低模型参数量及复杂度、提升检测性能、降低背景因素干扰。使用UVM_Datasets数据集来验证模型的有效性,轻量化YOLOv5s模型与YOLOv5s模型相比,其复杂度降低了47.44%,计算量减少了48.53%,而mAP@0.5提升了0.044%,mAP@0.5:0.95提升了3.347%。该研究提出的YOLOv5s-Light算法在保证精度的前提下,大幅降低模型参数量和计算量,加快推理速度,更适合部署于无人自动售货机内进行目标检测。