基于树莓派与YOLOv5-Lite模型的行人检测系统设计.pdf

Computer Era No.9 20230 引言行人检测系统可以为智能驾驶车辆后续路径规划、决策、控制提供必要的感知信息1。研究行人检测系统对于实现车辆的智能驾驶具有重要意义。本次实验设计的搭载在树莓派上的基于轻量化YOLOv5-Lite 模型的行人检测系统，可以有效地完成对行人检测的工作，具有高精度、低成本、体积小、低功耗等特点，并且该模型复杂度低，易于在树莓派上进行部署应用。1 系统方案行人检测系统工作原理：首先分别在PC端和树莓派上搭建模型训练测试的环境，并构建行人识别数据集，然后由计算机远程连接上树莓派，将在PC端训练好的YOLOv5-Lite模型与YOLOv5s模型分别移植到树莓派上进行测试，由树莓派读取行人的测试图像，并传输到树莓派上进行图像处理、识别，在PC端显示检测的效果。系统集成流程如图1所示。图1行人检测系统集成图DOI:10.16644/33-1094/tp.2023.09.024基于树莓派与YOLOv5-Lite模型的行人检测系统设计*郑尚坡1，陈德富1，邱宝象2，张龙2(1.浙江工业大学信息工程学院，浙江 杭州 310023；2.万向钱潮股份公司)摘要：把在PC端上训练好的YOLOv5s与YOLOv5-Lite目标检测模型分别部署在搭载Linux系统的树莓派4B平台上，并在此平台上搭建深度学习环境，构建道路行人检测系统。对这两个模型进行分析对比，实验结果表明，在识别准确率相差0.1%的情况下，YOLOv5-Lite模型相对于原YOLOv5s模型，网络参数量下降了78.26%，模型计算量下降了77.91%，模型内存大小下降了75.52%，检测速度提高了91.67%。综上，本文提出的基于树莓派和轻量化YOLOv5-Lite目标检测网络模型的行人检测系统兼顾了识别准确、适用性好、小型化、成本低等综合性能优势。关键词：行人识别；树莓派；YOLOv5-Lite；目标检测；模型部署中图分类号：TP391.4文献标识码：A文章编号：1006-8228(2023)09-116-04Design of pedestrian detection system based on Raspberry Pi and YOLOv5-Lite modelZheng Shangpo1,Chen Defu1,Qiu Baoxiang2,Zhang Long2（1.College of Information Engineering,Zhejiang University of Technology,Hangzhou,Zhejiang 310023,China;2.Wanxiang Qianchao Co.,Ltd）Abstract：The YOLOv5s and YOLOv5-Lite target detection models trained on PC are deployed on the Raspberry Pi 4B platformequipped with Linux system respectively,and a deep learning environment is built on this platform to construct a road pedestriandetection system.The two algorithms are analyzed and compared.The experimental results show that in the case of 0.1%difference in recognition accuracy,the YOLOv5-Lite model has a 78.26%decrease in network parameters,a 77.91%decrease inmodel computation,a 75.52%decrease in model memory size,and a 91.67%improvement in detection speed.It takes into accountthe comprehensive performance advantages of accurate identification,good applicability,miniaturization and low cost.Key words：pedestrian recognition;Raspberry Pi;YOLOv5-Lite;target detection;model deployment收稿日期：2023-04-05*基金项目：杭州市萧山区重大科技计划项目支持（2021108）作者简介：郑尚坡（2001-），男，浙江宁波人，本科生，主要研究方向：深度学习、嵌入式系统、目标检测。116计算机时代 2023年 第9期行人检测系统主要由硬件环境和软件环境两部分组成，硬件环境主要由树莓派4B主板、SD卡、散热风扇、读卡器、支架、保护外壳等构成。软件环境中主要搭建了Python3.7.2环境，使用pip指令安装了Numpy（1.21.5），Opencv（4.5.5），Torch（1.8.0），Torchvision（0.9.0）等库，完成了在树莓派上深度学习环境的配置。2 Yolo v5-Lite算法原理及其改进2.1 YOLOv5算法简介相对于R-CNN2、Fast R-CNN3、Faster R-CNN4等two-stage的目标检测算法，该两阶段算法在检测速度上难以满足实际的需求，随后Redmin5等人提出了one-stage的目标检测算法YOLO，极大提高了目标检测速度。本次实验选择YOLOv5s6网络模型作为基础进行改进。如图2为YOLOv5s的网络结构。YOLOv5s网络模型可分为四个部分。第一部分为输入端，负责Mosaic数据增强，自适应Anchor计算，自适应缩放图片。第二部分为Backbone，有Focus结构、C3 结构、SPP 结构。其中 Focus 结构主要是通过slice操作来对输入图片进行裁剪，切片过程如图3所示，结构如图4所示。C3结构分为C3 1_X与C3 2_X两种，SPP 模块由池化模块、卷积模块和 Concat模块组成，该部分主要负责目标特征的提取。第三部分为Neck网络，采用了FPN+PAN结构，由于FPN只传递了高层强语义特征信息而未传递定位信息7，所以 PAN 在FPN的基础上引入自底向上路径以增强结构传达强定位特征，更好地提取融合特征。第四部分为输出端，采用 CIoU Loss8作为 Bounding Box回归的损失，采用BCE Loss作为分类损失和置信度损失。图3切片示意图图4Focus结构图2.2 YOLOv5-Lite网络模型结构YOLOv5-Lite 网络9在原来的 YOLOv5s 基础上做了以下改进：摘除了 Focus 层和四次 slice 操作；选择ShuffleNetV2替代C3作为骨干网提取特征，加入了Shuffle Channel，并摘除ShuffleNetV2的1024卷积和55池化操作，在原基础上减少了C3层的多次使用，从而减少了缓存空间的占用，加快了运行速度；图2YOLOv5s网络结构117Computer Era No.9 2023图5YOLOv5-Lite-s模型结构其次对YOLOv5 head进行了通道剪枝。以上方法使得 YOLOv5-Lite 网络与在 YOLOv5版本中模型最小的YOLOv5s相比更轻，Flops更小，模型内存占用更低，参数更少，检测速度更快，因此，该轻量化模型更容易部署在嵌入式设备上。本此实验所用的YOLOv5-Lite-s模型结构如图5所示。3 实验设置与结果分析3.1 计算机实验运行环境本文计算机使用的显卡型号为NVIDIA GEFORCERTX 3070（8G 显存）、CPU 为 Intel(R)Core(TM)i9-12900H，2.50 GHz，Python版本为3.9、基于Pytorch（版本1.10.1）深度学习框架、计算机训练模型环境使用软件PyCharm、GPU加速工具为CUDA 11.3。3.2 数据集本文使用的数据集来源于PASCAL VOC 200710，本次实验通过从 PASCAL VOC 2007筛选出其中只含有行人类别的图片，按照8：2的比例将数据集划分为训练集和测试集，共计训练集3299张，测试集893张。3.3 模型训练与移植本文训练所用的初始权重分别为 yolov5s.pt 和v5lite-s.pt，其中Batch_size设为128，迭代周期epochs设为200，置信度阈值0.45，iou阈值为0.5，模型训练时在初始三个epochs选择较小的学习率数值0.001进行Warm up预热学习，增加模型在训练阶段的稳定性。本文训练过程中的超参数设置如表1所示。通过训练模型，分别得到了两个最好的权重文件。然后将在 PC 端训练好的模型文件.pt格式转换为.onnx 格式，使用 MobaXterm_Personal 软件移植至树莓派中，在树莓派上执行测试文件，即测试这两种模型对行人的检测效果。表1超参数设置训练参数初始学习率（lr0）循环学习率（lrf）权重衰减参数(weight_decay)预热学习(warmup_epochs)预热学习动量（momentum）预热初始学习参数（warmup_bias_lr）iou损失系数cls损失系数cls BECLoss正样本权重数值0.0010.20.00053.00.80.10.050.51.03.4 评估指标为评估两种模型的检测效果，本文使用参数量、模型占用内存、检测速度以及识别精确度（Prepision）作为评价指标。l 参数量：反映了网络结构的合计参数。l 模型占用内存：表示训练完成的模型占用计算机存储量。l 检测速度：表示检测一张图片所需要的时间，它可以反映算法运行的实时性。GFLOPs表示每秒多少次浮点运算，可以用来衡量算法/模型的复杂度。l 识别精确度：为所有预测值为Positive的样本中真实值为True的样本所占比例，精确度直接反映了模型的错检程度。3.5 实验结果与检测效果通过对训练好的两种模型进行测试，表 2 为在树莓派上测试所得的网络对比结果。118计算机时代 2023年 第9期图6行人检测系统测试效果图4 结论本文提出了一种基于改进 YOLOv5-Lite 轻量级的行人检测算法，通过将训练好的网络模型YOLOv5s与YOLOv5-Lite分别部署在树莓派平台上，成功搭建了一个树莓派嵌入式行人检测系统，最后在树莓派上读取测试图像来对这两种模型进行测试与性能对比分析，基于轻量化的YOLOv5-Lite网络模型的行人检测系统优势更加明显，满足实验需求，适用于资源受限的环境下，具有检测精度高、体积小、成本低、推理速度快等综合性能优势，对智能驾驶领域中的行人检测算法具有极高的参考与使用价值。参考文献(References):1 方卓琳.基于YOLOv3的道路交通环境行人检测技术研究D.广东:华南理工大学,2019.2 TAO X,ZHANG D P,WANG Z H,et al.Detection of powerline insulator defects using aerial images analyzed withconvolutional neural networksJ.IEEE Transactions onSystems,Man,andCybernetics:Systems,2020,50(4):1486-1498.3 Girshick R.Fast R-CNNC/Proceedings of 2015 IEEEInternational Conference on Computer Vision.Santiago:IEEE,2015:1440-1448.4 REN S,HE K,GIRSHICKR.et a1.Faster R-CNN:towardsrealtimeobjectdetectionwithregionproposalnetworksJ.IEEE Transactions on Pattern Analysis andMachine Intelligence,2017,39(6):1137-1149.5 REDMIN J,DIVVALAS,GIRSHICK R,et al.You only lookonce:unified,realtime object detectionC/2016 IEEEConference on Computer Vision and Pattern Recogni-tion,2016:779-788.6 Glenn Jocher.YOLOv5:The Leader in Realime ObjectDetectionEB/OL.2023-03.https:/ 刘羽璇,赵玉良.基于YOLOv5-Lite的小型无人机识别方法J.自动化应用,2022(7):71-74.8 ZHENG Zhaohui,WANG Ping,LIU Wei,et al.Distance-IoUloss:fasterandbetterlearningforboundingboxregressionIEB/OL.2020-06-10.https:/arxiv.org/pdf/1911.08287.pdf.9 Ppogg.YOLOv5-Lite:Lighter,faster and easier to deployEB/OL.2023-03.https:/ Everingham M,Van Gool L,Williams CK I,et al.Intro-ductiontoPASCALVOC2007/ProceedingsoftheWorkshoponPASCALVisualObjectClassesChallenge.Rio de Janeiro,Brazil,2007.表2网络对比实验结果网络模型网络模型YOLOv5-LiteYOLOv5Precision/%Precision/%87.3%87.4%检测检测速度速度/s/s0.253.0GFLOPsGFLOPs3.616.3网络参数网络参数15337747053910模型内存模型内存大小大小/MB/MB3.514.3实验结果表明，YOLOv5-Lite网络与原YOLOv5s网络相比，其识别精确度和YOLOv5s数值非常相近，网络参数量下降了 78.26%，GFLOPs 下降了 77.91%，模型内存大小下降了75.52%，检测速度提高了91.67%。因此YOLOv5-Lite综合性能优势明显，成功满足了实验需求。树莓派通过读取测试数据集图像，最终实现的检测效果图如图6所示。CE119