摘要：基于深度学习的鱼苗检测在水产养殖中的应用为自动化和精确化管理提供了可能，针对鱼苗检测中设备性能低、实时性要求高等问题，本文提出了一种改进YOLOv8的轻量化鱼苗检测算法：FD-YOLO。将快速网络(FasterNet)替换YOLOv8原CSPDarkNet特征提取网络，采用局部卷积(PConv)减少了冗余计算和内存访问；在特征融合中引入深度可分离卷积(DWConv)，将标准卷积过程分解为两个相对简单的深度卷积和逐点卷积两个步骤并行处理，进一步减少了模型的复杂性和计算资源消耗；使用Focal-EIoU作为模型损失函数，提高了检测精度，使得模型更具鲁棒性。实验表明，改进后的检测模型参数量和计算量大幅降低，模型参数量下降91%，计算量下降85%，在CPU上的推理速度加快了三倍。改进后的鱼苗检测算法能更好地兼顾高精度和实时性之间的平衡，便于部署在资源有限的硬件平台上。
文章目录
1.引言
2 相关模型及其改进方法
2.1 YOLOv8
2.2 FD-YOLO
2.3 FasterNet快速特征提取网络
2.4 DWConv深度可分离卷积
2.5 Focal-EIoU损失函数
3 实验结果与分析
3.1 Frydatasets数据集的采集与标注
3.2评价指标
3.3 实验环境与参数配置
3.4 实验结果与分析
4 总结与展望
