前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

针对传统列车轨道障碍物检测方法实时性差和对小目标检测精度低的不足，提出一种改进 YOLOv5s 检测网络的轻量化障碍物检测模型。首先引入更加轻量化的 Mixup 数据增强方式，替代算法中原有的 Mosaic 数据增强方式；其次引入 GhostNet 网络结构中的深度可分离卷积 GhostConv，替代原有 YOLOv5s 模型中特征提取网络与特征融合网络中的普通卷积层，减小了模型的计算开销；在模型特征提取网络末端加入 CA 空间注意力机制，让算法在训练过程中减少了重要位置信息的丢失，弥补了改进 GhostNet 对检测精度的损失；最后将改进后的模型进行稀疏训练和通道剪枝操作，剪枝掉对检测精度影响不大的通道，同时保留重要的特征信息，使模型更加轻量化。实验结果表明，改进后的模型在自制的多样化轨道交通数据集上相较于原始 YOLOv5s 算法在模型大小减小了 9.7MB，FPS 提高了 14 的前提下，检测精度提升了 1.0%。同时与目前主流的检测算法对比在检测精度与检测速度上也具有一定的优越性，适用于复杂轨道交通环境下的障碍物目标检测。

二、网络模型及核心创新点

解读：这篇文章创新点主要在于制作了自己的数据集，属于应用创新；同时增加了几个比较常见的trick，同时整篇文章做的实验工作比较多，内容比较充实。

1. Mixup 数据增强方式

2. 引入 GhostNet 网络结构中的深度可分离卷积 GhostConv

3. CA 空间注意力机制

4. 稀疏训练和通道剪枝操作

三、应用数据集

2021 年 11 月远程采集于湖南中车集团试验场地，运用 Opencv 来读取视频并将视频进行逐帧保存，帧率选定为 5 帧每秒。本文采集了多种场景下不同时段的轨道列车运行视频，样本数据丰富，为建立多样化数据集奠定了良好基础。

四、实验效果（消融实验）

五、实验结论

实验结果表明，改进后的 YOLOv5s-MGCT 算法在自制的轨道交通数据集上的检测精度相较于原始YOLOv5s 算法提高了 1.0%，模型体积减小了 9.7MB，FPS 提高了 14，在保持轻量化的同时小幅提高了检测精度。相比于其他主流检测算法，在具有一定的速度和体量优势的同时保持了较高的检测精度。综上所述，本文提出的算法适合复杂轨道交通环境下的目标检测，具有一定的可行性与优越性。

六、投稿期刊介绍

注：论文原文出自李昂，孙士杰，张朝阳，冯明涛，吴成中，李旺．改进 YOLOv5s 的轨道障碍物检测模型轻量化研究[J/OL]．计算机工程与应用.https://kns.cnki.net/kcms/detail/11.2127.TP.20221026.1944.014.html

解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我 。