计算机工程与科学

作者：欧阳玉旋, 张荣芬, 刘宇红, 彭垚潘

单位：贵州大学大数据与信息工程学院，贵州 贵阳 550025

关键词：YOLOv7-tiny,Ghost,多尺度融合模块,迁移学习,边缘设备部署,

基金：贵州省基础研究（自然科学）项目(黔科合基础-ZK［2021］重点001)

针对现有的大多数神经网络参数量大、推理速度慢、检测性能低且不便于部署边缘设备等问题，提出一种改进的YOLOv7-tiny算法。首先，根据原算法模型的结构特点，引入Ghost-ELAN模块以大幅度压缩模型；其次，使用Ghost Bottleneck-2代替网络Neck部分的卷积，进一步降低模型的规模；然后，使用多尺度融合模块Ghost-SPPCSPC提升模型对特征信息的理解能力，并采用GhostConv替换输出层卷积，在降低普通卷积冗余性的同时最大程度地利用模型中的语义信息；最后，使用迁移学习的方法，让模型学习到丰富的通用特征，提高模型的性能。实验结果表明，改进模型的参数量和模型大小较原模型分别降低和减小了57.19%和55.28%，实现了对原模型的重量级压缩，并提升了模型的精度，FPS达到了278，使模型达到快速、高效和便携的目的，更易于部署在边缘设备上。

来源：2025年第8期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2025年第8期