Light-YOLOv5 | 一种基于SepViT + BiFPN + SIoU YOLOv5 的轻量级复杂火灾场景检测算法_yolov5 bifpn

针对现有目标检测算法应用于复杂火灾场景检测精度差、速度慢、部署困难的问题，本文提出一种轻量级的 Light-YOLOv5 火灾检测算法，实现速度和精度的平衡。

首先，将最后一层 Backbone 替换为SepViT Block，增强 Backbone 与全局信息的联系；

其次，设计了 Light-BiFPN Neck 网络，在提高特征提取的同时减轻模型复杂度；

第三，将全局注意力机制（GAM）融合到网络中，使模型更加关注全局维度特征；

最后，使用 Mish 激活函数和 SIoU 损失来提高收敛速度，同时提高准确率。

实验结果表明，Light-YOLOv5 与原算法相比 mAP 提升 3.3%，参数数量减少 27.1%，计算量减少 19.1%，FPS 达到 91.1。即使与最新的 YOLOv7-tiny 相比，Light-YOLOv5 的 mAP 也高出6.8%，可见该算法的有效性。

1、简介

火灾会对公共安全产生重大影响，每年都会造成大量人员伤亡和财产损失。及时发现火灾可以大大减少人员伤亡和损失。

传统的火灾检测方法主要使用烟雾和温度传感器，检测范围和场景有限，响应时间长。随着人工智能和机器学习的发展，基于深度学习的火灾检测得到了广泛的应用。但是，火灾检测场景往往过于复杂多变，在这种情况下，传统火灾检测算法的泛化性和鲁棒性不足，难以部署到低算力平台。针对现有火灾检测的不足，本文提出一种基于 YOLOv5 的轻量级 Light-YOLOv5s 复杂火灾场景检测算法。本文的贡献如下：

1. 用SepViT Block替换 Backbone 网络的最后几层，加强网络与全局特征信息的连接；

2. 提出一种 Light-BiFPN 结构，降低计算成本和参数，同时增强多尺度特征的融合，丰富语义特征；

3. 在 YOLOv5 中加入了全局注意力机制，以增强网络的整体特征提取能力；

4. 最终验证了 Mish 激活函数和 SIoU 损失函数的有效性。

2、本文方法

2.1、Baseline

YOLOv5 有n、s、m版本等。经过实验对比选择了兼具速度和准确率的 YOLOv5n 作为改进的 baseline，将改进后的模型称为 Light-YOLOv5，其结构如图1所示。

2.2、Separable Vision Transformer

近年来，Vision Transformer 在一系列计算机视觉任务中取得了巨大成功，在主要领域的性能超过了 CNN。然而，这些性能通常是以增加计算复杂性和参数数量为代价的。

Separable Vision Transformer 通过在平衡计算成本的同时保持准确性来解决这一挑战。本文将 Backbone 网络的最后一层替换为 SepViT Block，增强了模型的特征提取能力，优化了网络全局信息的关系。

在 SepViT Block 中，depthwise self-attention 和 pointwise self-attention 减少了计算量，实现了窗口中的局部信息通信和全局信息交互。首先，将分割后的特征图的每个窗口视为其输入通道之一，每个窗口包含自己的信息，然后对每个窗口 Token 及其像素 Token 进行深度自注意力（DWA）。DWA 的操作如下：

其中