改進YOLOv5s的輸液瓶目標檢測

長江大學電子信息學院 喻 旸 周籮魚 熊莉婭 鄒學玉

針對醫療環境趨于復雜，為提高輸液瓶目標檢測的精度，本文利用視頻和圖像素材，提出一種改進的YOLOv5s方法檢測輸液瓶目標。采用CIoU Loss和DIoU NMS等方法進行優化。在PASCAL VOC數據集和自建輸液瓶目標數據集上檢測mAP（mean Average Precision）和FPS(Frames Per Second)。相較于原始YOLOv5s，改進后的YOLOv5s_CIoU在mAP上提高5.53%，檢測速度可達34.7FPS。

目標檢測在監測、追蹤等領域發揮著重要作用，將目標檢測與醫療輸液相結合，可以提高醫護工作效率。傳統目標檢測通過手工提取特征，其中可變形組件模型(Deformable Parts Model，DPM)具有代表性意義：提取人工特征后再用latentSVM分類。

KRIZHEVSKY等首先提出深度卷積神經網絡，GIRSHICK等將深度神經網絡應用到目標檢測中，從R-CNN（Region-CNN）到Fast R-CNN，再到Faster R-CNN。但由于R-CNN系列結構復雜，犧牲了計算速度，實時性無法保障。因此，REDMON等提出YOLO(You Only Look Once)，提高速度的同時擁有一定準確率。LIU等將YOLO的回歸思想和Faster R-CNN的anchor box機制結合提出SSD(Single Shot MultiBox Detector)。隨后，REDMON等對YOLO進行優化，提出了YOLOv3等。Bochkovskiy等在YOLOv3基礎上，從數據處理、主干網絡等方面引入優化方法，提出YOLOv4，Jocher等通過馬賽克數據增強、自適應圖片縮放等優化方法提出YOLOv5。

目前，YOLO系列應用廣泛于目標檢測，王灃使用YOLOv5對口罩佩戴進行檢測。Yuwen Chen等使用YOLOv5對圖像中船舶進行檢測。Kuznetsova等使用YOLOv5對果園蘋果進行檢測。輸液瓶目標檢測對精度和速度有著高要求，而YOLOv5的優秀性能可以勝任。本文主要分析YOLOv5的損失函數，制作實驗所需數據集，并對YOLOv5優化并驗證性能。

1 YOLOv1-YOLOv4

YOLO的核心思想是將整張圖作為輸入，直接在輸出層回歸目標位置和類別，具有較強的泛化能力。在一個卷積神經網絡中進行特征提取、分類和回歸，不再生成候選區域，充分考慮圖片所包含背景信息。YOLOv1到YOLOv4的演變如圖1所示。

圖1 YOLO系列主要改進

YOLOv1直接擬合坐標位置x，y，物體寬和高w，h，置信度。但x，y還可能取負值，不符合實際場景。因此，YOLOv2采用anchor機制進行局部預測，通過gird預測x，y的坐標，通過anchor框的寬和高預測w，h的值。YOLOv2在Backbone上改為darknet19，使用卷積層連接檢測頭部分，但在小目標檢測上有待提高。YOLOv3的性能提升得益于殘差網絡，可以構建更多層的網絡，Backbone改為darknet53，使用多尺度檢測頭。YOLOv4的Backbone改為CSPDarknet53，使用mosaic數據增強等方法，mish損失函數，采用SPP、PAN、SAM等網絡結構。

2 YOLOv5

YOLOv5按網絡深度大小分為YOLOv5s、YOLOv5m、YOLO5l、YOLOv5x，其中YOLOv5s深度最小，模型大小僅有27M。因此本文采用YOLOv5s作為試驗模型，分為Input，Backbone，Neck，Prediction四個部分。

在Input部分采用Mosaic數據增強，增加小目標樣本數量。YOLOv5s在訓練過程中自動計算不同訓練集的anchor值，通過自適應圖片大小的縮放模式，減少圖片黑邊避免算力消耗，提高檢測速度。

在Backbone部分采用CSPDarknet53網絡。提高網絡學習能力，在保證準確率的同時減少計算量，降低了存儲成本。下采樣階段，通過Focus模塊最大的減少信息損失。

在Neck部分加入SPP和FPN+PAN結構，更好地提取目標融合特征。CSP2結構使網絡特征融合能力得到提高。使用SPP模塊擴大主干特征的接受范圍，并顯著分離上下文特征。FPN+PAN結構將不同主干層的不同檢測層的參數進行聚合，進一步提高網絡特征提取能力。

3 YOLOv5s優化

YOLOv5s在目標檢測上表現優異，但可以針對特定的輸液瓶目標作出相應優化，獲得更好地檢測結果。

3.1 使用CIoU Loss（Complete Intersection over Union Loss，完全交并損失）

損失函數對于檢測效果有著直接影響，因此需要不斷調整網絡參數，將損失函數的值降到最低。目標框示意圖如圖2所示。

圖2 目標框圖

對于A和B，二者的IoU（Intersection over Union）的計算公式分別如下：

式中，A表示目標的標注框，B表示目標的預測框，C代表一個能夠包住A和B的最小方框。當標注框完全包裹預測框時，IoU和GIoU（Generalized Intersection over Union）得到的結果是相同的，這時無法保正檢測的準確性。DIoU（Distance Intersection over Union）把目標與anchor之間的距離、重疊率以及尺度都考慮在內，使目標框回歸更加穩定，訓練過程中不會出現發散等問題。

好的回歸損失函數會考慮覆蓋面積、中心點距離和長寬比這三個方面。而DIoU只考慮到覆蓋面積和中心點距離，所以基于DIoU引入入長寬比，提出CIoU Loss。因此本文選擇CIoU Loss，將覆蓋面積、中心點距離和長寬比這三個方面都考慮在內。

3.2 使用DIoU NMS（Non-Maximum Suppression)

在數據后處理階段，通常使用NMS篩選出最好的預測框。通過NMS給每個預測框一個分數，得分越高證明效果越好。當兩個目標高度重疊，所得IoU值很大。經過NMS處理只會得到一個預測框信息，導致漏檢。YOLOv5s采用的就是NMS。相較于NMS，DIoUNMS將兩個框中心點之間的距離也考慮在內。即使兩個預測框的IoU值較大，但是考慮到中心點距離也大，便認為是兩個物體。本文使用CIoU Loss和DIoU-NMS分別代替原始YOLOv5s中的GIoU Loss和NMS，能更有效的檢測重疊目標和小目標。

4 結果分析

本文使用PC進行試驗，基于Windows10。硬件配置為Intel-Core i5-8300H CPU，GTX-Gforce 1060（6G），使用PyTorch深度學習框架。試驗選取SSD、YOLOv5s以及優化后YOLOv5s進行性能對比，驗證優化效果。超參數設置：最大訓練輪數為100，初始學習率為0.01，權值衰減為0.0005，動量和批量大小分別為0.937和2.0。本文通過平均精度均值(mean Average Precision，mAP)和FPS(Frames Per Second）進行性能評價。

4.1 YOLOv5s_CIoU和YOLOv5s mAP比較

通過PASCAL VOC2012公共數據集訓練測試，原始算法為YOLOv5s，優化后為YOLOv5s_CIoU，2種算法的mAP變化曲線如圖3所示。通過輸液瓶數據集訓練測試，結果如圖4所示，檢測數據結果如表1所示。

圖3 mAP變化（公共數據集）

圖4 mAP變化（輸液瓶數據集）

表1 算法對比結果

由圖6和表1可知：經過13輪訓練以后，YOLOv5s_CIoU的mAP超過YOLOv5s，訓練完成后，mAP提高5.47%，速度上有所下降，但也超過30FPS，在實時性和精度上可以滿足輸液場景的要求。

圖6 多目標檢測對比

4.2 YOLOv5s_CIoU和YOLOv5s性能比較（輸液瓶目標數據集）

4.2.1 模型訓練

YOLOv5s_CIoU（虛線）和YOLOv5s（實線）的損值曲線圖見圖5所示?？梢钥闯鯵OLOv5s_CIoU的各類損失可以更快的收斂，mAP也得到提高。

圖5 算法各項性能對比

表2 輸液瓶目標檢測數據集（張）

圖7 重疊目標檢測對比

4.2.2 數據集制作

由于沒有公開數據集，本文自建輸液瓶目標檢測數據，采用YOLO數據集格式，通過預處理和篩選后選取10000張不同分辨率和大小的圖片充分訓練，自建數據集見表2所示。

4.2.3 結果分析

在多目標場景中：圖6(a)和圖6(b)均檢測到了2個輸液瓶目標，圖6(b)中YOLOv5s_CIoU的預測框置信度更高。

在重疊目標場景中，圖7(a)中的YOLOv5s_GIoU未能檢測出重疊目標，而圖7(b)中的YOLOv5s_CIoU可以檢測到重疊目標，并準確標記出來?？梢妰灮呗蕴岣吡薡OLOv5s對于重疊目標的檢測能力。

本文基于YOLOv5s，采用CIoU loss、DIoU NMS等策略對YOLOv5s進行優化。試驗結果表明在小目標和重疊目標上的有良好的檢測效果。通過試驗SSD、YOLOv5s等進行性能比較，結果表明：改進后的YOLOv5s_CIoU與原始YOLOv5s相比，mAP提高5.47%，同時檢測速度達到34.7FPS，滿足輸液場景對實時性和準確率的高要求。將YOLOv5s_CIoU與計算機相結合，在復雜多變的醫療環境中檢測輸液瓶目標，可以提高醫療工作效率。在后續的研究中，系統性能需要更大的數據集和更復雜的分類才能得到更好的效果。