YOLOv8改进方法

YOLOv8改进方法

为解决复杂环境下番茄生长点花蕾检测的难题,本研究针对目标尺度多样、外观相似、遮挡严重等问题,从骨干网络(Backbone)、颈部结构(Neck)和检测头(Head)三个方面系统改进了YOLOv8的网络结构和损失函数,旨在提高其对弱小目标的检测精度和环境适应性。

3.1 YOLOv8基线模型分析

3.1.1 模型架构及其局限性

YOLOv8是一种基于Anchor的单阶段目标检测算法,以其检测速度快、精度高、易部署的优势在工业视觉领域得到广泛应用{XXXX1}。如图7所示,YOLOv8以CSPDarknet53为骨干网络,提取多尺度特征;再通过SPP模块和PANet颈部结构融合细粒度和粗粒度特征信息;最后利用YOLOHead输出三个不同尺度的检测框和类别概率。整个过程实现了端到端的目标检测,可同时适应不同大小和宽高比的目标。

【图7 YOLOv8网络架构图】
(a) 整体流程; (b) CSPDarknet53骨干网; © SPP+PANet颈部; (d) YOLOHead检测头

然而,在番茄生长点花蕾检测任务中,YOLOv8仍面临以下局限:

(1) 生长点和花蕾属于小目标,在骨干网络的高层特征图上尺寸较小,容易漏检。而浅层特征语义信息不足,易引入背景干扰。因此,需要一种自适应的特征增强机制,在低层和高层均衡兼顾细节和语义信息。

(2) 番茄植株枝叶茂密,存在大量遮挡和相似的背景区域,易引起检测框的误匹配。而YOLOv8的Neck采用标准卷积进行特征融合,参数量和计算量都较大,不利于实时筛除冗余信息。需要在降低模型复杂度的同时,保持特征的判别力。

(3) 生长点和花蕾在形态和纹理上相似,但尺寸差异较大,标准的IoU损失函数对不同尺度目标一视同仁,容易导致小目标漏检。因此,需要设计对目标尺度自适应的损失函数,加强对小目标的检测能力。

以上问题制约了YOLOv8在番茄生长点花蕾检测中的性能,针对性的模型改进势在必行。

3.2 Backbone改进：引入SE注意力机制

3.2.1 SE注意力的结构与特点

Backbone作为目标检测网络的特征提取器,其性能直接决定了检测的上限。为增强YOLOv8骨干网络CSPDarknet对番茄生长点花蕾的自适应表达能力,本研究在其高、中、低三个尺度的Block中引入了SE(Squeeze-and-Excitation)注意力模块{XXXX2}。SE通过显式建模特征通道间的依赖关系,自适应地调整不同语义的重要性,使骨干网络聚焦于目标相关的区域和特征。

如图8所示,设第$l$层特征图$F_l\in {\mathbb{R}}^{H_l\times W_l\times C_l}$,SE模块首先对其在空间维度做全局平均池化,得到通道描述子$z_l\in {\mathbb{R}}^{C_l}$:

$$z_l=\frac{1}{H_l{W}_l}\sum _{i=1}^{H_l}\sum _{j=1}^{W_l}{F}_l(i,j)$$

其中$(i,j)$为空间坐标。$z_l$实际上是一个包含全局感受野的特征向量,聚合了整个特征图的上下文信息。然后,SE通过两个全连接层和一个Sigmoid函数对$z_l$进行非线性变换,生成通道注意力权重${\mathbf{a}}_l\in {\mathbb{R}}^{C_l}$:

$${\mathbf{a}}_l=\sigma ({\mathbf{W}}_2\delta ({\mathbf{W}}_1{\mathbf{z}}_l))$$

其中${\mathbf{W}}_1\in {\mathbb{R}}^{\frac{C_l}{r}\times C_l},{\mathbf{W}}_2\in {\mathbb{R}}^{C_l\times \frac{C_l}{r}}$分别为两个全连接层的权重矩阵,$\delta$为ReLU函数,$\sigma$为Sigmoid函数,$r$为缩放比例(通常取16)。这两个全连接层起到了bottleneck的作用,在减少参数量的同时增加了非线性。最后,将${\mathbf{a}}_l$与$F_l$逐通道相乘,得到注意力加权后的特征图${\hat{F}}_l$:

$${\hat{F}}_l(i,j,c)=a_l(c)\cdot F_l(i,j,c)$$

【图8 SE注意力模块结构示意图】
SE模块结构简洁,计算效率高,可以即插即用地嵌入到任意卷积网络中。其优势主要体现在:
(1) 通过引入通道注意力,自适应增强目标相关通道的权重,抑制背景干扰通道,提高检测网络的判别力；
(2) 利用bottleneck结构减少了全连接层的参数量,每个SE模块的时空复杂度均为$\mathcal{O}(C_l)$,几乎不增加推理开销；
(3) 通过在高低层同时嵌入SE模块,在提取尺度不变语义特征的同时,也兼顾了位置敏感的细节特征。

因此,SE模块是一种高效、灵活、泛化性好的注意力机制,非常适合用于提升YOLOv8的小目标检测能力。

3.2.2 基于梯度的SE嵌入位置搜索

除了SE模块本身的设计,其嵌入位置也会影响检测性能。为寻找最优的SE嵌入位置组合,本研究采用了基于梯度的NAS(Neural Architecture Search)方法{XXXX3},即将待搜索的超参数(每一层是否嵌入SE)建模为伯努利分布,通过梯度反向传播联合优化超参数分布和网络权重,找到在验证集上表现最佳的嵌入方案。如图9所示,搜索过程可分为三步:

(1) 参数化:设骨干网共$L$个Block,每个Block是否嵌入SE构成一个$L$维二值向量 z ∈ { 0 , 1 } L \boldsymbol{z}\in\{0,1\}^L z∈{0,1}L,服从参数为$\mathbf{\alpha }\in {\mathbb{R}}^L$的伯努利分布:

$$P(\mathbf{z}|\mathbf{\alpha })=\prod _{l=1}^L{\alpha }_l^{z_l}(1-{\alpha }_l{)}^{1-z_l}$$

(2) 松弛:将$\mathbf{z}$松弛为连续值$\hat{\mathbf{z}}$,每个分量${\hat{z}}_l\in [0,1]$表示第$l$个Block嵌入SE的概率,由${\alpha }_l$通过Sigmoid变换得到:

$${\hat{z}}_l=\sigma (\log \frac{{\alpha }_l}{1-{\alpha }_l})$$

则Block$l$输出的特征可表示为$F_l^{out}={\hat{z}}_{l}SE(F_l^{in})+(1-{\hat{z}}_l)F_l^{in}$。

(3) 优化:令${\mathcal{L}}_{tr}(\hat{\mathbf{z}},\mathbf{w})$为训练集上的损失函数,$\mathbf{w}$为网络权重,则联合优化的目标为最小化验证集损失的期望:

min ⁡ α E z ∼ P ( z ∣ α ) [ L v a ( z ^ , w ∗ ( z ^ ) ) ] s.t. w ∗ ( z ^ ) = arg ⁡ min ⁡ w L t r ( z ^ , w )

$$\begin{aligned} \min_{\boldsymbol{\alpha}}\quad & E_{\boldsymbol{z}\sim P(\boldsymbol{z}|\boldsymbol{\alpha})}[\mathcal{L}_{va}(\hat{\boldsymbol{z}},\boldsymbol{w}^{*}(\hat{\boldsymbol{z}}))] \\ \text{s.t.}\quad &\boldsymbol{w}^{*}(\hat{\boldsymbol{z}})=\arg\min_{\boldsymbol{w}}\mathcal{L}_{tr}(\hat{\boldsymbol{z}},\boldsymbol{w}) \end{aligned}$$ αmin​s.t.​Ez∼P(z∣α)​[Lva​(z^,w∗(z^))]w∗(z^)=argwmin​Ltr​(z^,w)​

由于${\mathcal{L}}_{va}$对$\mathbf{\alpha }$可微,可用梯度反向传播联合优化$\mathbf{\alpha }$和$\mathbf{w}$。搜索结束后,每个Block是否嵌入SE取决于${\hat{z}}_l$的大小,当${\hat{z}}_l>0.5$时嵌入SE,否则不嵌入。

【图9 基于梯度的SE嵌入位置搜索流程】

为避免搜索过程过拟合,本研究采用了交叉验证的方式,即将原始数据集划分为4个fold,每次取其中3个fold作为训练集,余下1个fold作为验证集,轮流交叉搜索4次,得到4组SE嵌入方案。实验发现,不同fold得到的最优嵌入位置组合虽有差异,但整体趋势一致:浅层Block(1,2,3)倾向于不嵌入SE,中层Block(4,5,6,7)倾向于嵌入SE,高层Block(8,9,10)倾向于不嵌入SE。这可能是因为:浅层语义信息简单,SE收益有限;高层分辨率低,SE可能损失细节;中层兼具一定语义和位置信息,最适合嵌入SE。

综合4组搜索结果,最终确定在第4,5,6,7个Block嵌入SE模块,记为SE@4567。相比直接在所有Block嵌入SE,该方案可在几乎不损失精度的情况下,减少约一半的计算开销。SE@4567成为后续实验的默认配置。