面向路側(cè)視角目標檢測的輕量級YOLOv7-R算法*

張小俊，奚敬哲，，史延雷，袁安錄

（1.河北工業(yè)大學機械工程學院，天津 300401；2.中國汽車技術(shù)研究中心汽車工程研究院，天津 300300）

前言

得益于新一代互聯(lián)網(wǎng)的飛速發(fā)展，自動駕駛技術(shù)已經(jīng)成為汽車產(chǎn)業(yè)未來發(fā)展的主要組成部分，但當前該領(lǐng)域研究通常聚焦于單車視角提升檢測精度與效率，而對匹配路側(cè)視角圖像信息特點的目標檢測模型的研究相對較少，且忽略了道路與車輛的協(xié)同性。而路側(cè)感知系統(tǒng)可用“上帝視角”的大范圍感知能力來彌補單車系統(tǒng)的感知盲區(qū)，降低事故概率，提高道路交通效率。視覺傳感器又因其成本較雷達傳感器低廉，且能夠準確表達目標紋理特征的特點，在感知任務(wù)中扮演重要角色。因此在車輛網(wǎng)聯(lián)領(lǐng)域中，如何將各類交通參與者的檢測任務(wù)完成于路側(cè)單元（road side unit，RSU）較低算力的邊緣計算平臺已成為自動駕駛技術(shù)賦能的必要條件。

目前在目標檢測算法方面，傳統(tǒng)方法因?qū)崿F(xiàn)手段復(fù)雜、計算過程低效等原因已較少采用。在深度學習中，目標檢測算法分為R-CNN［1］系列雙階段算法和YOLO［2］、SSD［3］系列單階段算法。雙階段算法先定位再識別，所以精度上優(yōu)于單階段，但參數(shù)量和實時性較差，不能滿足RSU 低計算資源及高實時性的需求。與R-CNN 算法相比，SSD 算法有更快的推理速度，但其檢測精度存在一定的局限性，而YOLO系列算法相對其他算法在檢測速度上有很大提升，同時兼顧了準確度，適合作為路側(cè)感知場景中的檢測方法。

與其他檢測算法相比，YOLO 系列算法會一直利用深度學習最新成果來不斷地進行優(yōu)化更新。Wu 等［4］在YOLOv5s 的基礎(chǔ)上，提出了YOLOv5-Ghost，調(diào)整了原有的網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)參數(shù)大大減少，推理速度有所提高，但檢測精度下降3%。Liu 等［5］通過引入通道注意力模塊和集成DIOU 損失函數(shù)，提高了對自動駕駛系統(tǒng)中小目標的檢測性能。Zhou等［6］在YOLOv5 的Backbone 中用混合使用深度卷積，同時利用Focal Loss函數(shù)提升算法的檢測精度。

雖然將上述算法移植到路側(cè)視角下目標檢測的過程中針對車輛等交通目標的特點已經(jīng)做了一定的優(yōu)化，但是檢測能力仍舊存在不足。吉林大學的張舜然［7］將MobilNetv3 結(jié)構(gòu)融入到Y(jié)OLOv4 網(wǎng)絡(luò)，并加入注意力優(yōu)化與卷積計算優(yōu)化，使檢測精度達到90%，但模型參數(shù)量沒有下降很多，也沒有考慮交通環(huán)境中目標與目標之間的遮擋問題，若被遮擋目標的特征提取不充分就會導致算法在檢測時出現(xiàn)遺漏；山東大學的皮任東［8］采用了路側(cè)激光雷達與YOLOv5 結(jié)合的方法，算法mAP 值提高了4.48%，但也存在參數(shù)量龐大的問題。還有很多路側(cè)感知算法雖然降低了網(wǎng)絡(luò)參數(shù)量，適合部署在移動端，但忽略了同類目標在路側(cè)視角下因其遠近關(guān)系所呈現(xiàn)出多種尺度大小的問題，使模型學習困難，導致精度下降。

本文將ELAN 高效網(wǎng)絡(luò)融入到EfficientNetv2-s［9］結(jié)構(gòu)中，構(gòu)成新的EfficientNetv2-e 輕量化檢測網(wǎng)絡(luò)，更換掉YOLOv7［10］算法的Backbone；在預(yù)處理階段適當?shù)貏h除輸入圖像中的部分信息，來增強對被遮擋目標的學習能力；根據(jù)路測感知信息有著背景信息不變的特點，將SE（squeeze-and-excitation）［11］通道注意力機制更換為CA（coordinate attention）［12］坐標注意力機制，解決被測目標的多尺度問題；再引入Focal-EIoU Loss［13］損失函數(shù)，增加算法收斂速率，由此提出一種輕量級YOLOv7-R 算法。實驗表明，本文算法的綜合性能相較于對比算法更優(yōu)。

1 YOLOv7-R算法

1.1 YOLOv7算法

為了保證RSU 系統(tǒng)檢測的實時性，本文預(yù)選擇YOLO 系列算法為模型基礎(chǔ)。YOLO 系列算法，以其結(jié)構(gòu)精簡、性能高效、容易部署等優(yōu)點，被廣泛應(yīng)用于工業(yè)開發(fā)，其中YOLOv7 是目前YOLO 系列較為先進的算法，十分適用于路側(cè)視角下的交通目標檢測。

YOLOv7 采用擴展高效網(wǎng)絡(luò)架構(gòu)（E-ELAN）［14］、基于級聯(lián)模型［15］、重參數(shù)化卷積［16］等策略，兼顧了檢測精度與檢測速度。如圖1所示，YOLOv7的網(wǎng)絡(luò)結(jié)構(gòu)包括3 部分：Input、Backbone 和Head。Input 端同傳統(tǒng)YOLO 一樣，采用了自適應(yīng)錨框設(shè)計，解決了不同數(shù)據(jù)集之間相同目標大小不同的問題，為被檢測圖像提供了合適的預(yù)選框。Backbone 部分由幾組Conv卷積層、ELAN 架構(gòu)和MPConv 組成。Conv模塊由卷積、批量歸一化、SiLU 激活函數(shù)［17］組成，用來提取圖像特征；ELAN 網(wǎng)絡(luò)架構(gòu)有兩條分支，第一條分支是通過一個1×1的卷積使通道數(shù)變化，第二條分支先通過一個1×1 的卷積，改變通道數(shù)，再通過4 個3×3 的卷積，做特征提取，最后把得到的特征堆疊到一起得到最終的特征提取結(jié)果；MPConv 在Conv 層的基礎(chǔ)上增添了最大池化層，構(gòu)成兩個分支，最大池化可以增大感受野，減少輸入特征的數(shù)據(jù)量，Conv 用作特征提取，再通過Concat 操作將兩個分支提取到的特征進行堆疊，增強網(wǎng)絡(luò)的學習能力。還使用了SPP模塊，其作用是通過MaxPool增大感受野，使算法適應(yīng)不同的分辨率圖像，便于識別區(qū)分大小不同的目標；CSP 模塊將輸入分為兩部分，一個部分采用標準卷積，另外一個部分采用SPP 處理，最后把這兩個部分Concat 在一起，可以減少一半的計算量，且速度變得更快，精度變得更高。Head 部分由路徑聚合特征金字塔網(wǎng)絡(luò)（PAFPN）構(gòu)成，通過創(chuàng)造由底向上的路徑來讓底層特征更容易傳遞到輸出層，以便不同尺度特征的高效融合，再通過RepVGG Block（Rep）結(jié)構(gòu)調(diào)整PAFPN 輸出特征圖的通道數(shù)，最后經(jīng)過1×1 卷積進行置信度、類別和錨框的預(yù)測。

圖1 YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)

1.2 主干網(wǎng)絡(luò)改進

盡管YOLOv7 性能優(yōu)異，在自動駕駛?cè)蝿?wù)中表現(xiàn)優(yōu)秀，但是從模型大小上，其在資源較少的移動端上部署并沒有那么順利，YOLOv7 模型參數(shù)計算量如式（1）所示：

式中：Cin、Cout為輸入、輸出通道數(shù)；d表示卷積的深度；k表示卷積核大小。從式（1）中可以看出，當模型的通道數(shù)C擴大n倍時，模型參數(shù)量J將擴大n2倍；若將模型的深度d擴大n倍時，參數(shù)量J也擴大n倍。

YOLOv7 主干網(wǎng)絡(luò)的通道數(shù)C設(shè)置較大，由式（1）可得，其模型復(fù)雜度較高。為了使模型復(fù)雜度降低，使算法更適合完成RSU 的檢測任務(wù)，受到文獻［9］啟發(fā)，本文使用EfficientNetv2-e 主干網(wǎng)絡(luò)替換YOLOv7 的Backbone。EfficientNetv2-s 是一種 輕量級網(wǎng)絡(luò)，采用漸進式學習策略，通過縮減網(wǎng)絡(luò)通道數(shù)C，擴增深度d的方式，實現(xiàn)了網(wǎng)絡(luò)復(fù)雜度和特征提取精準度的折中。EfficientNetv2-s 中多使用深度可分離卷積（depthwise separable convolution，DSC），運算過程如圖2所示。

圖2 深度可分離卷積結(jié)構(gòu)

深度可分離卷積是逐層卷積和逐點卷積的結(jié)合，深度卷積首先對每個輸入通道分別執(zhí)行逐層卷積，然后通過點卷積（1×1 卷積）將輸出通道混合。即在一個標準的卷積中將輸入同時進行濾波和組合操作，但DSC將這個操作進行拆分，第一步將輸入進行濾波操作，第二步再將其進行組合操作。這種將標準卷積進行分解的操作方法可以有效地減少運算代價和網(wǎng)絡(luò)模型的尺寸。相較于普通卷積，DSC 的參數(shù)更少，參數(shù)量下降比為

參數(shù)量下降必然導致模型的學習性能受損，為彌補模型的這一缺點，將YOLOv7 主干網(wǎng)絡(luò)中的ELAN 高效網(wǎng)絡(luò)架構(gòu)融入到EfficientNetv2-s（圖3（a））主干網(wǎng)絡(luò)中，稱為EfficientNetv2-e 架構(gòu)。ELAN在不破壞原有梯度的情況下，通過控制最短和最長的梯度路徑，網(wǎng)絡(luò)能夠?qū)W習到更多樣、更準確的特征信息，具有更強的魯棒性。改進后YOLOv7-R 的主干網(wǎng)絡(luò)如圖3（b）所示。

圖3 主干網(wǎng)絡(luò)改進

1.3 注意力機制優(yōu)化

注意力機制是一種仿生物視覺機制。將人眼以“高分辨率”關(guān)注某個特定區(qū)域的習慣用在深度學習之中，讓模型去學習圖像中哪里是更重要的特征信息。一般來說，將該機制用于輕量網(wǎng)絡(luò)上時，通道注意力會比較明顯地改善網(wǎng)絡(luò)的性能，這是因為通道注意力使輕量網(wǎng)絡(luò)更關(guān)注圖像中重要的語義信息，而丟棄部分不重要的信息，由此削弱噪聲對輸入圖像特征提取的不良影響，增加模型的檢測精度。

同樣，EfficientNetv2 使用SE 通道注意力機制來增強模型性能，然而，它只考慮了建模輸入數(shù)據(jù)的通道關(guān)系，從每個通道的角度提取感興趣的區(qū)域，忽略了位置信息，不能精確地定位對象。這就可能會產(chǎn)生因相同目標呈現(xiàn)多尺度而導致模型漏檢的問題。因此本文采用CA 坐標注意力機制來替換SENet，CA注意力機制網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示，其中XAvg Pool 和YAvg Pool 是沿著兩軸做平均池化提取寬高方向上的特征信息，并通過Concat操作來拼接得到的特征，接著做卷積來獲得長程依賴關(guān)系，再進行歸一化，得到每個維度的全局信息，然后沿著X軸和Y軸做split操作，再進行Conv和Re LU激活，最后將得到的信息重新加權(quán)，完成坐標注意力的施加。

不同于SE 注意力，CA 注意力機制把通道注意力分解成兩個方向進行特征編碼，其優(yōu)點是沿一個方向獲得長程依賴，沿另一個方向保留精確的位置信息，形成具有方向感知和位置信息的特征圖，以提高在特征提取過程中更關(guān)注感興趣區(qū)域的能力，使得算法能夠關(guān)注大范圍的目標位置信息忽略無效重復(fù)的背景語義信息，又不會帶來計算量的增加，足夠靈活和輕量，有助于模型通過位置信息更好地定位和識別多尺度目標。引入CA 注意力機制后的EfficientNetv2-e網(wǎng)絡(luò)中MBConv和Fused-MBConv 的結(jié)構(gòu)如圖5所示。

圖5 MBConv和Fused-MBConv結(jié)構(gòu)

1.4 損失函數(shù)優(yōu)化

深度學習中損失函數(shù)的選取很大程度影響訓練所得的算法性能。YOLOv7 的訓練方式分為帶auxiliary head 訓練與不帶auxiliary head 訓練兩種方式，帶auxiliary head 的訓練方式中，aux-head loss 和lead-head loss 兩者之間的比例不能過大，不過它們的損失函數(shù)相同，整體和YOLOv5 系列保持一致，分為3 部分：坐標損失、置信度損失和分類損失。后兩部分使用BCEWithLogits loss［18］，坐標損失則默認采用CIoU loss［19］。CIoU loss計算公式如下：

式中：A為預(yù)測框；B為真實框；IoU為A和B的交并比，即A與B交集部分與并集部分面積之比，IoU越大，說明預(yù)測框越接近真實框，但當預(yù)測框與真實框沒有重疊部分時，或兩者完全重合時，IoU不能給出優(yōu)劣評價；b為預(yù)測框的中心點；bgt為真實框的中心點；ρ表示歐式距離計算；C為能夠包含預(yù)測框和真實框的最小閉包區(qū)域的對角線距離；參數(shù)a用于調(diào)節(jié)平衡比例；參數(shù)v用來描述預(yù)測框與真實框的寬高比的一致性，當中心點重合時，可通過v來衡量預(yù)測框和真實框的接近程度。

YOLOv7 的CIoU loss 考慮了重疊面積、中心點距離及寬高比，使得預(yù)測框的回歸更加穩(wěn)定，但它還不夠完美。因為其公式中使用參數(shù)v寬高比比例來衡量與真實框的寬高接近程度，并不是寬和高的真實值，所以有時會阻礙模型的優(yōu)化；而w和h其中一個值增大時，另一個值必然減小，它們不能保持同增同減，這也會導致?lián)p失函數(shù)收斂過慢以及回歸框定位的不精確。為了提高算法性能和檢測精度，本文采用Focal-EIoUloss 來替代CIoUloss，F(xiàn)ocal-EIoUloss的計算公式如下：

式中LIoU、Ldis、Lasp分別表示重疊面積損失、中心點距離損失及寬高比損失，邊界框回歸的EIoU 損失如圖6所示。

圖6 邊界框回歸的EIOU損失

EIoU loss 相較于CIoU loss 所做出的改進是將損失函數(shù)拆分為重疊面積損失、中心點距離損失及寬高比損失3 部分，并且對CIoU loss 中的a和v進行了修改，Cw和Ch為可包含真實框、預(yù)測框的最小框的寬度和高度，EIoU loss 利用和直接計算包圍框?qū)捀叩恼鎸嵵担@樣便解決了CIoU loss 使用寬高比比例所造成的阻礙優(yōu)化問題，還能解決訓練過程中的發(fā)散問題。此外，考慮到預(yù)測框的回歸中存在訓練樣本不平衡的問題，即在輸入圖像中回歸誤差小的優(yōu)質(zhì)錨框的數(shù)量遠少于誤差大的低質(zhì)量數(shù)量，質(zhì)量較差的樣本會產(chǎn)生過大的梯度影響參數(shù)的優(yōu)化，又借鑒了解決正負樣本不平衡的Focal loss［20］，將偏差大的地方設(shè)置更大的梯度優(yōu)化，以便于關(guān)注對難樣本的檢測，降低質(zhì)量差的樣本對算法性能的影響。通過整合EIoU 損失函數(shù)和Focal 損失函數(shù)，得到最終的Focal-EIoU loss 的表達式，如式（9）所示。當EIoU loss 很小時，F(xiàn)ocal-EIoU Loss 也會很小，雖然這會抑制高質(zhì)量樣本對模型訓練的影響，但數(shù)據(jù)表明，這種抑制效果對RSU 感知系統(tǒng)所需的背景不變數(shù)據(jù)集的影響是微弱的。

2 實驗設(shè)計

2.1 實驗配置和評價指標

實驗環(huán)境為Ubuntu20.04 操作系統(tǒng)，處理器型號為i7-10700K，顯卡是RTX3090，顯存為12 GB，采用的深度學習環(huán)境為pytorch1.11，編程語言為python3.8，安 裝CUDA11.3、CUDnn8.0.4 以 及OpenCV4.6.0.6等擴展包。本文算法與對比算法的實驗結(jié)論均在此實驗環(huán)境中得出。

YOLOv7 的訓練方式分為正常訓練及auxiliary head 訓練，auxiliary head 訓練生成兩組不同的軟標簽，即粗標簽和細標簽，細標簽與lead head引導標簽分配器生成的軟標簽相同，粗標簽則通過放寬更多的網(wǎng)格作為正樣本的約束而成，但在路側(cè)感知數(shù)據(jù)集中粗標簽的附加權(quán)重接近于細標簽的附加權(quán)重，就會導致在最終預(yù)測時產(chǎn)生不良的先驗，所以本文采用不帶auxiliary head 的訓練策略。為了準確評估YOLOv7-R 算法在路側(cè)感知圖像上的檢測性能，按照COCO 數(shù)據(jù)集的標準，實驗評價指標采用總體樣本平均精確度mAP，即算法對數(shù)據(jù)集中各類目標檢測精度的平均值，每個類別使用準確率（precision，P）和召回率（recall，R）作為x軸和y軸，可繪制一條曲線，該曲線與兩軸圍成圖形的面積則為AP值。APsmall表示像素面積小于32×32 目標的AP值，APmedium表示像素面積大于32×32 小于96×96 目標的AP值，用來專門評判算法對多尺度檢測中的小目標檢測精度。推理速度指標采用FPS，即網(wǎng)絡(luò)每秒傳輸幀數(shù)，單位是f/s（幀/秒）。具體公式如下，其中TP為真正例，F(xiàn)P為假正例，F(xiàn)N為假反例。

2.2 實驗數(shù)據(jù)

本文選擇的數(shù)據(jù)集為清華大學智能產(chǎn)業(yè)研究院（AIR）在2022 年2 月份發(fā)布的DAIR-V2X-I 中開源的7 058 張圖片。DAIR-V2X 是全球首個車路協(xié)同圖像數(shù)據(jù)集，開創(chuàng)了行業(yè)先河。數(shù)據(jù)來自北京市高級別自動駕駛示范區(qū)10 km 城市道路、10 km 高速公路及28 個路口，涵蓋晴天、雨天、霧天、白天、夜晚等豐富場景。DAIR-V2X-I 即為RSU 捕捉到的圖像數(shù)據(jù)集，由Car（乘用車）、Truck（貨車）、Van（面包車）、Bus（公交車）、Pedestrian（行人）、Cyclist（自行車）、Tricyclist（三輪車）、motorcyclist（摩托車）、Barrowlist（手推車）、TrafficCone（交通錐桶）這10 類組成，數(shù)據(jù)類別實例如圖7 所示。由于DAIR-V2X-I 中的三輪車的類別數(shù)量為0，并且手推車的類別數(shù)量僅為128，占比很小，所以真實類別可計為8 類。又因為這些數(shù)據(jù)中序號相近的圖片多為相鄰時刻的圖片，所以要隨機打亂再劃分數(shù)據(jù)集。但是數(shù)據(jù)集中各種目標的樣本數(shù)量差距較大，訓練效果差，必須要對樣本數(shù)量少的類別數(shù)據(jù)進行增強處理。

2.3 數(shù)據(jù)增強策略

因為數(shù)據(jù)類別的嚴重不平衡，數(shù)據(jù)增強策略不可或缺。YOLOv7 輸入端使用了Mosaic 數(shù)據(jù)增強，拼接4 張圖片訓練，主要作用是豐富背景。而由于DAIR-V2X-I 數(shù)據(jù)集具有背景信息不變性的特點，并不需要豐富背景，遂即舍棄Mosaic數(shù)據(jù)增強，進而轉(zhuǎn)為外部針對遮擋物體的GridMask［21］數(shù)據(jù)增強，參數(shù)設(shè)置分別為1/3、0.1、0.1、0.1，效果如圖8（b）所示。該方法對數(shù)據(jù)中的信息進行有序的刪除，以模擬對交通目標的部分遮擋，還不會造成擦除部分的不均勻。倘若模型對GridMask 處理后的圖片進行訓練，模型就能夠有效提高對被遮擋目標的檢測性能。

圖8 數(shù)據(jù)增強效果

對于數(shù)據(jù)量較少的種類，使用Multiplicative-Noise 隨機噪聲，在圖片中加入噪點，不改變太多背景信息的情況下進行數(shù)據(jù)增廣，增加圖片數(shù)量的同時，還可模仿雨雪天氣的路側(cè)情況；還使用Random-Gamma 隨機灰度系數(shù)變化，改變圖片的對比度，模仿夜間、傍晚時刻的路側(cè)情況，提高模型的泛化能力。最終將所得圖片以0.8∶0.1∶0.1 比例進行隨機打亂劃分，得到訓練集8 469 張圖片，驗證集和測試集各有1 059張圖片。

3 實驗及結(jié)果分析

在訓練參數(shù)的處理上，設(shè)置訓練epochs為300；訓練BatchSize為32；訓練動量Momentum為0.937；選擇學習率動態(tài)變化設(shè)置，lr0為0.01，weight_decay設(shè)置為0.000 5；優(yōu)化函數(shù)采用Adam。圖9（a）為訓練所得YOLOv7 與YOLOv7-R 的mAP@0.5 函數(shù)曲線，圖9（b）為訓練得到的mAP@0.5：0.95函數(shù)曲線，縱坐標代表mAP值，橫坐標代表迭代次數(shù)。對比兩條曲線可知在訓練迭代超過20 次之后，YOLOv7-R算法的mAP曲線始終高于YOLOv7 算法，說明本文的YOLOv7-R有更好的檢測精度。

圖9 YOLOv7與YOLOv7-R的mAP值對比

3.1 損失函數(shù)收斂性驗證

在與上述同一實驗條件下，對YOLOv7 與本文算法的損失函數(shù)進行分析試驗。兩種Loss函數(shù)的曲線變化如圖10 所示。其中，兩條曲線分別為坐標損失使用CIoU Loss 與使用Focal-EIoU Loss 時的平均損失值的情況。

圖10 損失函數(shù)迭代對比

從圖10 可以看出，持續(xù)的訓練學習，F(xiàn)ocal-EIoU Loss 和CIoU Loss 最終都到達收斂狀態(tài)。但是Focal-EIoU 方法的收斂速率和損失值相較于CIoU方法更優(yōu)，穩(wěn)定性也有所提升。所以，使用Focal-EIoU 作為YOLOv7-R 的損失函數(shù)，對檢測性能提升有著積極作用。

3.2 消融實驗

為清晰地了解本文所提出的改進措施對路側(cè)視角下目標檢測算法性能的影響，設(shè)計了一組消融實驗，在基線算法YOLOv7的基礎(chǔ)上添加和修改各個模塊，對比分析了：（1）原YOLOv7模型；（2）在YOLOv7基礎(chǔ)上更換EfficientNetv2-e 作為Backbone；（3）在（2）基礎(chǔ)上更改SE 注意力機制為CA 注意力機制；（4）在YOLOv7 基礎(chǔ)上將損失函數(shù)CIoU loss 改為Focal EIoU loss；（5）同時更換加入CA注意力機制的EfficientNetv2-e 和Focal EIoU loss 函數(shù)的本文算法。在相同的實驗條件下，在本文數(shù)據(jù)集上進行實驗，輸入數(shù)據(jù)大小為1920×1080。具體實驗結(jié)果見表1。

表1 消融實驗結(jié)果

由表1 可知，在除參數(shù)量之外的所有指標里，本文最終算法均為最優(yōu)。將YOLOv7 模型的Backbone更換為EfficientNetv2-e可以使其減少53.7%的參數(shù)量，增加23.7%的檢測效率，但這也使得模型精度有所降低；CA 注意力機制及Focal-EIoU Loss 都提高了模型的檢測精度。對比模型（3）和本文算法可知，更換Focal-EIoU Loss 后的模型（3）的mAP@0.5：0.95 值提高了4.3%，所以可知Focal-EIoU Loss 非常有利于模型在該數(shù)據(jù)集上精度的提升，在進行算法優(yōu)化時使用該方法是必要的。除此之外，由模型（2）和（3）可知，CA 坐標注意力機制對模型多尺度小目標的精度提升也是顯著的，APsmall與APmedium分別提高了2%和5.7%。最后可得本文算法與YOLOv7 算法在DAIR-V2X-I 數(shù)據(jù)集上相比，在參數(shù)量降低52.3%的同時mAP@0.5提高了3%，mAP@0.5：0.95提高了4.8%，且檢測速度增加了24.6%，驗證了YOLOv7-R 模型在路側(cè)單元感知數(shù)據(jù)集上的可行性，完全可作為車路協(xié)同產(chǎn)業(yè)中可以落地的模型基礎(chǔ)。

為了進一步驗證YOLOv7-R 面向被遮擋目標檢測任務(wù)的有效性，從DAIR-V2X-I 數(shù)據(jù)集中篩選部分有遮擋的圖像，進行目標檢測，圖11 可視化了有遮擋目標的圖像經(jīng)過本文算法YOLOv7-R 與原YOLOv7 算法的目標檢測結(jié)果，原圖中使用虛線標記紅框中的目標為未被YOLOv7 檢測到的被遮擋目標。

圖11 遮擋目標的檢測效果實例

從圖11 中可以看出，本文模型對被遮擋的目標的敏感程度要優(yōu)于YOLOv7算法，漏檢目標如第1個場景中公交車面前被遮擋的行人、第2 個場景中對向車道被遮擋的車輛以及第3 個場景中斑馬線上行駛的自行車目標。上述表明了本文模型在遮擋目標檢測中的巨大優(yōu)勢。其原因在于輸入數(shù)據(jù)經(jīng)過GridMask 增強后，模型對被遮擋目標的學習能力提高，最終實現(xiàn)檢測性能的提升。

3.3 對比實驗

為進一步表明本文算法的有效性，使用本文的YOLOv7-R 算法分別與 SSD、EfficientDet［21］、YOLOv4［23］、YOLOv5-m、YOLOv5-s、YOLOv7、YOLOX-s［24］及最新的SOTA 算法YOLOv8 在本文數(shù)據(jù)集上進行了對比實驗驗證，因為雙階段目標檢測算法的參數(shù)量和檢測效率都不符合路側(cè)感知系統(tǒng)的部署條件，所以本文沒有談及。對比實驗結(jié)果如表2所示。

由表2 可知，YOLOv5-s 因為其極簡的網(wǎng)絡(luò)結(jié)構(gòu)，所以具有較小的參數(shù)量，雖然本文算法在參數(shù)量上的表現(xiàn)不及YOLOv5-s 與YOLOX-s，但檢測精度與檢測效率為本次實驗中的最優(yōu)，比YOLOv5-s 的mAP@0.5高9%，比YOLOX-s的mAP@0.5高8.2%。實驗結(jié)果表明，YOLOv7-R 在兼顧精度與速度的條件下，優(yōu)化了參數(shù)量與模型大小，具有更好的性價比，也體現(xiàn)了YOLOv7-R 在路側(cè)視角圖像檢測上的優(yōu)勢。

表2 不同算法對比

3.4 本文算法檢測效果

為了更直觀地感受YOLOv7-R 算法的檢測性能，在天津市津塘公路的路口采集了一些路側(cè)視角圖像進行測試，檢測效果如圖12 所示。在a 組檢測圖片中，可以看到待檢測圖片為擁堵時段的路口，屬于復(fù)雜場景，YOLOv7-R 算法能夠?qū)⒏鹘煌繕藴蚀_地檢測出來。在b 組檢測圖片中，從原圖可以看到車輛正處于低光照條件下，屬于夜間場景，YOLOv7-R 也能準確地將待檢測目標測出。在第3組檢測圖片中，圖12（c）為YOLOv7 算法的檢測結(jié)果，圖12（d）為YOLOv7-R 的檢測結(jié)果，可以看到當應(yīng)對存在遮擋目標的情況時，YOLOv7 算法漏檢了道路中央被車輛所擋住的行人，這就可能帶來安全隱患，而如圖12（d）所示本文算法則是精準地檢測出了他們。最后一組檢測圖片為目標多尺度的檢測效果圖，因相同目標的尺寸不一，導致YOLOv7 算法漏檢了遠處的小目標車輛，而圖12（f）中的本文算法將待測目標準確測出。上述檢測效果表明，本文算法能夠?qū)崿F(xiàn)對路側(cè)視角下的道路交通目標的準確檢測，且在漏檢率、遮擋目標分辨率上的表現(xiàn)均優(yōu)于基線算法，更適合部署在RSU設(shè)備當中。

圖12 檢測效果對比

4 結(jié)論

為了實現(xiàn)V2X（vehicle to everything）中RSU 感知系統(tǒng)的實時檢測應(yīng)用，本文提出了一種基于YOLOv7 改進的目標檢測算法YOLOv7-R。針對在算力較低的RSU 上部署模型困難的問題，文中更換了YOLOv7的Backbone，引入了添加ELAN 高效網(wǎng)絡(luò)架構(gòu)的EfficientNetv2-s 網(wǎng)絡(luò)，以簡化卷積來實現(xiàn)模型的輕量化；針對被側(cè)目標呈多尺度、可能導致模型漏檢問題，本文使用CA坐標注意力機制代替主干網(wǎng)絡(luò)中的SE 注意力機制，通過捕捉目標的方向信息與位置信息，降低模型的漏檢率；針對模型輕量化所帶來的精度損失，修改原有的損失函數(shù)為更精確的Focal-EIoU loss，減小低質(zhì)量樣本對算法性能的影響，提升模型的檢測精度；針對數(shù)據(jù)集中的被測目標重疊問題，采用GridMask 數(shù)據(jù)增強策略，進一步提升模型的檢測性能。實驗結(jié)果表明，在有效地提升檢測速度及精度的前提下，還減小了模型的大小，以更小的參數(shù)量實現(xiàn)了對于目標數(shù)據(jù)集更高精度的檢測。

雖然本文算法能夠?qū)崿F(xiàn)對RSU 檢測場景中的部分交通目標較為準確的識別，但還有進一步提升的空間。DAIR-V2X-I數(shù)據(jù)集只有8類交通目標，而實際中的交通參與者類別會更多，后續(xù)研究將不斷擴充數(shù)據(jù)集中的類別，以提高算法的泛化能力。