本发明涉及计算机视觉，具体为一种基于odc的小目标检测方法。
背景技术：
1、谈到目标检测算法时，yolo(you only look once)无疑是一种卓越的方法。首先，yolo系列在保持准确性的同时，能够快速地检测和定位图像中的目标；其次，yolo以端到端的方式进行目标检测，无需使用复杂的候选区域生成算法，能够更加高效地提取特征和预测目标，因此在目标检测领域具有突出优势。随着视觉技术相关算法的不断进步与完善，目标检测技术得到了飞速的发展，可是现场环境内的小目标检测效果在实际应用中的表现却仍有不足。yolo系列模型作为目前极具代表性的一阶段目标检测模型，相比传统cnn模型具有实时监测性强、模型更小、精度更高的特点。因此本发明是以yolov8作为基准模型，针对实际现场环境下小目标检测这一实际问题做出改进。
2、相比实验室模拟环境，在现实现场环境下进行目标检测会受到检测目标体积微小、检测环境噪声过多等问题造成检测效果大幅退化。同时目标检测模型通常表现出体积较大、运算时间较长、计算开销较大等特点，这些问题都使得以往的目标检测模型很难实际应用于农业现实中，基于以上问题，针对性的对模型进行改进使其在足够轻量化的前提下，满足实际农业大棚环境下小目标的检测需求。
技术实现思路
1、本发明的目的在于提供一种基于odc的小目标检测方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：一种基于odc的小目标检测方法，所述方法包括以下步骤：
3、s1：前往现场环境，实地现场采集小目标数据集，获取清晰、无遮挡、曝光程度较小的图像作为初始数据集，并将数据集按照416*416的像素大小进行裁剪，通过工具对数据集进行标注以及扩增；
4、s2：优化yolov8模型，通过动态卷积的思想对yolov8引入全维度动态卷积，获得具有更为明智的卷积层注意力分配机制，并通过改进原模型损失函数以及模型训练获得训练权重文件；
5、s3：将训练完成的权重文件作为默认选择，即将训练完成的权重文件保存到模型中，之后模型运行将基于训练好的权重文件。
6、优选的，s1中通过工具对数据集进行标注以及扩增的具体步骤包括：
7、s101：通过labelimg标注工具对小目标数据集进行标注，获得经过标注的图片以及含有目标位置信息的标注文件；
8、s102：对初始数据集进行扩增，其扩增方法包括但不限于：水平翻转增强、仿射变换、添加高斯噪声等，获得更多的数据集以供模型训练。
9、优选的，步骤s2中优化yolov8模型，通过动态卷积的思想对yolov8引入全维度动态卷积的具体步骤包括：
10、s201a：初始yolov8模型引入全维度动态卷积方法改进卷积层odc；
11、s202a：将odc层替代原本模型的conv层；
12、s203a：使用wiou代替yolov8原本的ciou。
13、优选的，在步骤s2中odc需要通过在原本的head网络中添加额外的c2f层和下采样层实现特征传递和融合。全维度动态卷积所引入的odc层使卷积层配合注意力加权机制使得卷积核，卷积空间、输入通道、输出通道均参与到注意力加权的分配。
14、优选的，步骤s2中改进原模型损失函数以及模型训练获得训练权重文件的具体步骤包括：
15、s201b：通过对原模型损失函数的改进、替换为更为适合小目标检测模型的wiou损失函数；
16、s202b：训练改进的yolov8模型：
17、s203b：输入经过预处理和扩增的数据，对模型进行训练；
18、s204b：训练完成后可获得训练权重文件。
19、与现有技术相比，本发明的有益效果是：
20、本发明提出的改进yolov8模型相比初始yolov8模型在小目标检测的精度上有所提升，能够更为精确的识别和定位物体，在精度得以保证的前提下，改进的yolov8算法同时能够保证较快的检测速度以及更轻量级的大小。
1.一种基于odc的小目标检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于odc的小目标检测方法，其特征在于：所述s1中通过工具对数据集进行标注以及扩增的具体步骤包括：
3.根据权利要求1所述的一种基于odc的小目标检测方法，其特征在于：所述步骤s2中优化yolov8模型，通过动态卷积的思想对yolov8引入全维度动态卷积的具体步骤包括：
4.根据权利要求1所述的一种基于odc的小目标检测方法，其特征在于：所述步骤s2中改进原模型损失函数以及模型训练获得训练权重文件的具体步骤包括：
