买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北电力大学申请的专利一种基于改进YOLOv11n的轻量化拥挤场景行人检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120298961B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510348485.1，技术领域涉及：G06V20/52；该发明授权一种基于改进YOLOv11n的轻量化拥挤场景行人检测方法是由周欣欣;谢春迎;李育才;赵鸿浩;杜原泽;郭树强;姜万昌;宋琼设计研发完成，并于2025-03-24向国家知识产权局提交的专利申请。

本一种基于改进YOLOv11n的轻量化拥挤场景行人检测方法在说明书摘要公布了：本发明公开了一种基于改进YOLOv11n的轻量化拥挤场景行人检测方法，具体包括以下步骤：1建立拥挤场景行人图像数据集；2为数据集中的图像添加标注信息；3构建基于改进YOLOv11n的轻量化拥挤场景行人检测模型；4采用训练集和验证集对模型进行训练并保存训练好的模型；5采用测试集对模型进行测试，模型的精度满足泛化性要求，即获得最终的基于改进YOLOv11n的轻量化拥挤场景行人检测模型。相较于现有技术，本发明公开的一种基于改进YOLOv11n的轻量化拥挤场景行人检测方法，能够有效提高拥挤场景行人检测的精度，同时，使模型具备了更好的轻量化特性，便于部署在资源受限的移动硬件平台上。

本发明授权一种基于改进YOLOv11n的轻量化拥挤场景行人检测方法在权利要求书中公布了：1.一种基于改进YOLOv11n的轻量化拥挤场景行人检测方法，其特征在于，具体包括以下步骤： 步骤1：建立拥挤场景行人图像数据集，形成第一数据集；所述第一数据集中，拥挤场景行人图像可通过网络进行收集获取、数码相机进行拍摄、或者从监控视频中获取； 步骤2：为所述第一数据集中的图像添加标注信息，形成第二数据集，并将所述第二数据集按照6:2:2的比例划分成训练集、验证集和测试集； 步骤3：构建基于改进YOLOv11n的轻量化拥挤场景行人检测模型，所述模型的构建，进一步包括步骤3.1至步骤3.3： 步骤3.1：构建基于改进YOLOv11n的轻量化拥挤场景行人检测模型的改进主干网络，所述改进主干网络由依次连接的卷积层1、卷积层2、C3k2_EMBC模块1、卷积层3、C3k2_EMBC模块2、卷积层4、C3k2_EMBC模块3、卷积层5、C3k2_EMBC模块4、SPPF模块和C2PSA模块1组成； 所述改进主干网络通过C3k2_EMBC模块1、C3k2_EMBC模块2、C3k2_EMBC模块3和C2PSA模块1分别输出4种不同尺度的特征信息； 所述C3k2_EMBC模块，当C3k_EMBC=False时，C3k2_EMBC模块将原始C3k2模块中的Bottleneck模块替换为EMB卷积，当C3k_EMBC=Ture时，将原始C3k2中的C3k模块替换为C3k_EMBC模块； 所述C3k_EMBC模块是将C3k模块中的Bottleneck模块替换为EMB卷积； 所述EMB卷积包括两个卷积层、一个深度可分离卷积、一个eSE模块和一个Droupout模块； 输入到EMB卷积的特征图首先经过卷积层1，所述卷积层1输出的特征图经过归一化和Swish激活函数，输入到深度可分离卷积中，所述深度可分离卷积输出的特征图经过归一化和Swish激活函数，输入到eSE模块中，所述eSE模块输出的特征图作为卷积层2的输入，所述卷积层2输出的特征图经过归一化作为Droupout模块的输入，所述Droupout模块输出的特征图与原始输入的特征图做聚合，聚合后的特征图作为EMB卷积的输出特征图； 步骤3.2：构建基于改进YOLOv11n的轻量化拥挤场景行人检测模型的轻量级特征融合网络LDEFPN； 所述轻量级特征融合网络LDEFPN具体包括8个卷积层、6个Enhance_FPN模块、2个DySample模块和5个C3k2模块； 所述C3k2_EMBC模块1的输出作为卷积层6的输入，所述卷积层6的输出作为Enhance_FPN模块3的输入； 所述C3k2_EMBC模块2的输出作为卷积层7的输入，所述卷积层7的输出作为所述Enhance_FPN模块3的输入；所述卷积层7的输出作为Enhance_FPN模块1的输入，所述Enhance_FPN模块1的输出作为C3k2模块2的输入，所述C3k2模块2的输出作为Enhance_FPN模块3的输入，所述Enhance_FPN模块3的输出作为C3k2模块3的输入，所述C3k2模块3的输出作为卷积层10的输入； 所述C3k2_EMBC模块3的输出作为卷积层8的输入，所述卷积层8输出作为Enhance_FPN模块2的输入，所述Enhance_FPN模块2的输出作为C3k2模块1的输入，所述C3k2模块1的输出通过DySample模块1与所述卷积层7的输出在Ehance_FPN模块1融合；所述卷积层8、所述C3k2模块1和卷积层10的输出在Enhance_FPN模块4进行融合，所述Enhance_FPN模块4的输出作为C3k2模块4的输入，所述C3k2模块4的输出作为卷积 层11的输入； 所述C2PSA模块1的输出作为卷积层9的输入，所述卷积层9的输出通过DySample模块2与所述卷积层8的输出在所述Enhance_FPN模块2融合；所述卷积层9的输出与所述卷积层11的输出在Enahnce_FPN模块5进行融合，所述Enahnce_FPN模块5的输出作为C3k2模块5的输入，所述C3k2模块5的输出作为卷积层13的输入，所述卷积层9的输出作为卷积层12的输入，所述卷积层12的输出和所述卷积层13的输出在Enhance_FPN模块6进行融合； 步骤3.3：构建基于改进YOLOv11n的轻量化拥挤场景行人检测模型的改进头部网络，所述改进头部网络包括4个检测头； 所述C3k2模块3的输出作为检测头1的输入，所述C3k2模块4的输出作为检测头2的输入，所述C3k2模块5的输出作为检测头3的输入，所述Enhance_FPN模块6的输出作为检测头4的输出； 步骤4：采用所述训练集和验证集对步骤3所述的基于改进YOLOv11n的轻量化拥挤场景行人检测模型进行训练，并保存训练好的模型，所述步骤4，进一步包括步骤4.1至步骤4.4： 步骤4.1：设置所述基于改进YOLOv11n的轻量化拥挤场景行人检测模型的训练参数，模型训练参数包括：迭代轮数、批次大小、优化器、学习率、动量、权重衰减和线程数； 步骤4.2：将所述训练集和验证集图像以及对应标签输入到所述基于改进YOLOv11n的轻量化拥挤场景行人检测模型中，使用反向传播算法计算损失函数对模型参数的梯度，根据梯度更新模型的参数，使损失函数逐渐减小； 步骤4.3：监控训练过程中的损失函数值和性能指标，训练集和验证集的损失函数不再下降，同时准确率P、召回率R、平均精确率均值mAP评价指标也不再提高时，停止训练，以避免模型过拟合； 步骤4.4：在训练完成后，保存训练好的模型并从中选取最优模型； 步骤5：采用所述测试集对所述步骤4.4选取的最优模型进行测试，对测试集的测试结果进行评估，模型的精度满足泛化性要求，即获得最终基于改进YOLOv11n的轻量化拥挤场景行人检测模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北电力大学，其通讯地址为：132000 吉林省吉林市长春路169号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。