本研究提出了一种基于改进YOLOv框架的短袖短裤自动识别系统，旨在提高服装分类精度和效率，为智能零售提供技术支持。
为了平衡检测分类的精度与模型运行的速度，在确保较高检测分类准确性的前提下，我们选择了基于YOLOv5的一阶段目标检测框架，并结合了模型压缩及加速技术进行优化。具体来说：
- **模型压缩**：通过BN放缩因子修剪主干网络来实现。
- **模型加速**：采用TensorRT封装部署以提高效率。
在训练过程中，使用Pytorch1.7.0作为深度学习框架，并应用随机几何变换、颜色扰动和翻转等数据增强技术。同时利用WiderPerson行人数据集（监控抓拍）及COCO行人数据集进行预训练模型的构建。此外，在优化超参数方面采用了以下设置：批量大小为8，SGD动量0.843，权重衰减系数为0.00036和初始学习率为0.0032；非极大值抑制（NMS）阈值设为0.5，正样本的阈值同样设定在了这个水平。
实验结果显示：对于街拍与商场场景中H:W比为2:1的图像而言，采用输入大小480的模型可以获得更好的检测效果；而对于H:W比例为1:2的情况，则使用640作为输入尺寸时表现更佳。因此，在实际测试阶段我们采取了双模型策略，根据输入图片的具体尺寸选择最合适的模型进行预测。
最后通过实验验证发现，相较于包含更多类别的分类器，8类目标的模型在性能上占据优势，并且结合TensorRT与Slimming技术的应用后显著提升了运行效率。
5星
