YOLOv5优化：轻量化家具识别模型实践

1. 项目背景与核心价值

在家具电商、智能家居和室内设计领域，准确识别椅子、沙发、桌子等常见家具类别一直是个技术痛点。传统方案要么依赖人工标注效率低下，要么使用通用目标检测模型存在误检率高、小物体识别差等问题。我们基于YOLOv5架构进行深度改造，通过引入C3k2模块和RFCAConv注意力机制，打造了这款专为家具识别优化的轻量化模型。

实测在自建家具数据集上，mAP@0.5达到92.3%，相比原版YOLOv5s提升7.8个百分点，模型体积仅增加1.2MB。特别在沙发与长椅、餐桌与茶几等易混淆类别的区分上，F1-score平均提升15%。这个方案已经成功应用于三个家具电商平台的自动标注系统，标注效率提升40倍。

2. 模型架构深度解析

2.1 骨干网络改造

原版YOLOv5的C3模块在家具识别场景存在两个明显缺陷：一是对细长结构（如椅子腿）的特征提取不足，二是不同材质（布艺/皮质/木质）的纹理区分能力弱。我们通过以下改进解决：

1. C3k2模块设计：
   • 将标准3x3卷积替换为并联的1x3和3x1卷积（k=2表示分支数）
   • 增加深度可分离卷积处理材质纹理特征
   • 输出通道数压缩为原版的75%以控制计算量

python复制class C3k2(nn.Module):
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
        super().__init__()
        c_ = int(c2 * e)
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = nn.Sequential(
            Conv(c1, c_, (1,3), 1, padding=(0,1)),  # 水平特征提取
            Conv(c_, c_, (3,1), 1, padding=(1,0)))  # 垂直特征提取
        self.m = nn.Sequential(
            *[Bottleneck(c_, c_, shortcut, g, k=((1,3),(3,1))) for _ in range(n)])