朱万杰

摘 要：車辆的追踪检测与识别计数是道路汽车分析的重要组成部分，传统的基于人工特征的目标检测算法其泛化能力与鲁棒性较差，因此，本项目针对目前汽车车辆的追踪检测与识别计数所采用的方法存在的不足，提出了一种基于YOLOv5 图像识别和处理技术的车辆检测方法。本文所设计的相关检测算法适用性较大，与其它算法相比，所检测目标无论是图片，视频，以及摄像头实时监控等情况，在满足实时性的前提下具有极高的识别率，得到了较好的结果。

关键词：YOLO；车辆检测；图片分割

一、YOLO概述

当众学者还沉浸在Joseph Redmon——“YOLO 之父”宣布退出 CV 界的震惊与惋惜中时，YOLOv5 横跨出世。由于 YOLOv5官方还未公开论文，因此只能从公开的代码中进行研究。YOLOv5官方发布的代码中，检测网络共有四个版本，依次为YOLOv5x、YOLOv5l、YOLOv5m、YOLOv5s。其中 YOLOv5s 是深度和特征图宽度均最小的网络，另外三种可以认为是在其基础上，进行了加深、加宽。YOLOv4 与YOLOv5 在结构上基本相似，只是在细节上稍有差异。YOLOv5（You Only Look Once）是由UltralyticsLLC公司于2020年5月份提出，其图像推理速度最快达0.007s，即每秒可处理140帧，满足视频图像实时检测需求，同时结构更为小巧，YOLOv5s 版本的权重数据文件为YOLOv4的1/9，大小为27MB。[6]YOLOv5按照网络深度大小和特征图宽度大小分为YOLOv5s、 YOLOv5m、YOLOv5l、YOLOv5，本文采用了YOLOv5s作为使用模型。

二、系统概要设计

YOLOv5网络结构图分为两个部分，分别为主干网络：如下文所提出的输入端、Backbone两个部分，和侦测网络：如下文所提出的Neck、Prediction两个部分。输入端主要采用的方法函数分别为Mosaic数据增强，主要介绍关于图片的随机缩放，随机裁剪，随机排布的方式对数据进行拼接，从而实现了对小目标检测有较为可观的实验结果，改变了YOLO自身方法从发展初到现在对小目标的侦测回应不够的问题。YOLO版本初期训练的时候会将所有图片数据对其进行Mosaic数据处理，使得到的图片结果为416*416或608*608的形式再进行侦测，这就会导致实验过程中对数据的处理出现问题，导致图片上之前所出现的较为细小、被部分遮挡、模糊的目标无法检测使得实验结果出现参差。自适应锚框计算即在不同的训练中我们可以对锚框进行调整，通过COCO为基础再传入所需训练集，根据自己所需结果来调设置是否开启自适应锚框算法的效果，同时也包括自适应图片缩放，将图片缩放到统一尺寸，更方便系统的量化处理以及信息的快速提取。Backbone结构主要目的是增强卷积网络的学习能力，降低预算成本：Focus结构，CSP结构。Neck：FPN+PAN结构主要是方便调整传递浅层特征的层数，降低数据丢失风险。Prediction所使用的是CIOU_Loss，也可以根据自我所需来设置使用其它的IOU_Loss（GIOU＿Loss＝False，DIOU＿Loss＝False，CIOU＿Loss＝False）的使用与关闭。

三、结语

本文使用基于YOLOv5s图像识别和处理技术的车辆检测方法成功实现了对车辆的追踪检测与识别计数，从训练得到的结果来看，无论是复杂环境还是恶虐天气该算法都有着极高的识别率以及识别速度。YOLOv5s 不仅运行速度非常快而且模型也是大大的降低了存储空间。

参考文献：

[1]杨小冈，高凡，卢瑞涛，李维鹏，张涛，曾俊.基于改进YOLOv5的轻量化航空目标检测方法[J/OL].信息与控制：1-7[2021-10-11].http：//kns.cnki.net/kcms/detail/21.1138.TP.20210927.1729.002.html.

[2]张干，李文举，张耀星. 基于改进的YOLOv5算法的交通标志识别[A]. 中国计算机用户协会仿真应用分会.'21 全国仿真技术学术会议论文集[C].中国计算机用户协会仿真应用分会：计算机仿真杂志社，2021：5.

[3]钱伍，王国中，李国平.改进YOLOv5的交通灯实时检测鲁棒算法[J/OL].计算机科学与探索：1-14[2021-10-11].http：//kns.cnki.net/kcms/detail/11.5602.tp.20210824.1346.002.html.