1.一种目标检测方法，其特征在于，所述方法包括：

获取所述目标的图像数据；

将所述图像数据输入预建深度轻量网络，输出不同尺度的预测头；

对所述预测头进行解码，得到所述目标的类别、定位框及类别置信度；

所述预建深度轻量网络包括主干特征提取网络和增强特征提取网络；

所述将所述图像数据输入预建深度轻量网络，输出不同尺度的预测头，包括：基于所述主干特征提取网络对所述图像数据提取特征，得到不同尺度的特征图；

从所述不同尺度的特征图中提取预设数量的不同尺度的特征图；

将所述预设数量的不同尺度的特征图输入所述增强特征提取网络，输出不同尺度的所述预测头；

其中，所述主干特征提取网络包括普通卷积层和轻量线性残差特征提取模块；

所述基于所述主干特征提取网络对所述图像数据提取特征，得到不同尺度的特征图，包括：所述普通卷积层对所述图像数据进行处理，得到第一特征图；

所述轻量线性残差特征提取模块对所述第一特征图进行特征提取，得到所述不同尺度的特征图；

所述轻量线性残差特征提取模块包括不同滑动步长的提取模块；

其中，所述主干特征提取网络的第一层为所述普通卷积层，第一层输入的特征图大小为3×640×640，用16个3 ×3普通卷积核对输入特征图进行处理，滑动步长为2，得到16×

320×320的特征图；

从第二层开始为所述轻量线性残差特征提取模块，所述轻量线性残差特征提取模块中所述提取模块按照滑动步长可分为两种，一种滑动步长s为1，另一种滑动步长s为2，滑动步长s为1的提取模块不改变特征图尺度大小，滑动步长s为2的提取模块利用深度可分离卷积可扩张特征图通道、缩小特征图大小；

第二层输入特征图大小为16×320×320，输入到步长s为1的提取模块里，不改变原特征图大小，得到16×320×320的特征图，第三层输入特征图大小为16×320×320，用滑动步长s为2的提取模块对输入特征图进行处理，特征通道得到扩张，大小得到缩减，得到24×

160×160的特征图，第四层、第五层、第六层、第七层分别为滑动步长s为1、2、1、2的提取模块，分别输出24×160×160、40×80×80、40×80×80、80×40×40的特征图，第八层到第十层均为滑动步长s为1的提取模块，目的是为获得更高质量的同级特征图，输出特征图大小均为80×40×40，第十一层为升维层，特征图尺度不变，通道增加至120，最终输出特征图为

120×40 ×40，第十二层利用滑动步长s为2的提取模块对输入特征图进行处理，通道增加至160，得到160×20×20的特征图，第十三、十四、十五层均为滑动步长s为1的提取模块，输出特征图大小均为160× 20×20，第十六层为滑动步长s为2的提取模块，经过处理后输出大小为180×10×10的特征图；

所述预建深度轻量网络训练阶段利用交并比感知损失函数监督训练，其中，所述交并比感知损失函数包括类别损失函数、目标损失函数、回归损失函数；

所述类别损失函数 通过下式计算：

其中，

其中， 、 为调节系数， 为交并比感知系数， 为考虑中心点欧氏距离和长宽比的交并比损失函数， 为属于某一类别的概率，为属于的某一类别。

2.根据权利要求1所述的方法，其特征在于，所述增强特征提取网络包括自顶向下和自底向上的注意力金字塔网络；

所述将所述预设数量的不同尺度的特征图输入所述增强特征提取网络，输出不同尺度的所述预测头，包括：将所述预设数量的不同尺度的特征图依次输入至所述注意力金字塔网络，输出不同尺度的所述预测头。

3.根据权利要求1‑2任一项所述的方法，其特征在于，所述将所述图像数据输入预建深度轻量网络，输出不同尺度的预测头，包括：预处理所述图像数据，得到预处理后图像数据；

将所述预处理后图像数据输入所述预建深度轻量网络，输出所述不同尺度的预测头。

4.根据权利要求3所述的方法，其特征在于，所述预处理所述图像数据，得到预处理后图像数据包括：调整所述图像数据的分辨率，得到调整后图像数据；

对所述调整后图像数据进行双边滤波去噪处理，得到所述预处理后图像数据。

5.一种目标检测装置，其特征在于，所述装置包括：

获取模块，用于获取所述目标的图像数据；

处理模块，用于将所述图像数据输入预建深度轻量网络，输出不同尺度的预测头；

解码模块，用于对所述预测头进行解码，得到所述目标的类别、定位框及类别置信度；

所述预建深度轻量网络包括主干特征提取网络和增强特征提取网络；

所述将所述图像数据输入预建深度轻量网络，输出不同尺度的预测头，包括：基于所述主干特征提取网络对所述图像数据提取特征，得到不同尺度的特征图；

从所述不同尺度的特征图中提取预设数量的不同尺度的特征图；

将所述预设数量的不同尺度的特征图输入所述增强特征提取网络，输出不同尺度的所述预测头；

其中，所述主干特征提取网络包括普通卷积层和轻量线性残差特征提取模块；

所述基于所述主干特征提取网络对所述图像数据提取特征，得到不同尺度的特征图，包括：所述普通卷积层对所述图像数据进行处理，得到第一特征图；

所述轻量线性残差特征提取模块对所述第一特征图进行特征提取，得到所述不同尺度的特征图；

所述轻量线性残差特征提取模块包括不同滑动步长的提取模块；

其中，所述主干特征提取网络的第一层为所述普通卷积层，第一层输入的特征图大小为3×640×640，用16个3 ×3普通卷积核对输入特征图进行处理，滑动步长为2，得到16×

320×320的特征图；

从第二层开始为所述轻量线性残差特征提取模块，所述轻量线性残差特征提取模块中所述提取模块按照滑动步长可分为两种，一种滑动步长s为1，另一种滑动步长s为2，滑动步长s为1的提取模块不改变特征图尺度大小，滑动步长s为2的提取模块利用深度可分离卷积可扩张特征图通道、缩小特征图大小；

第二层输入特征图大小为16×320×320，输入到步长s为1的提取模块里，不改变原特征图大小，得到16×320×320的特征图，第三层输入特征图大小为16×320×320，用滑动步长s为2的提取模块对输入特征图进行处理，特征通道得到扩张，大小得到缩减，得到24×

160×160的特征图，第四层、第五层、第六层、第七层分别为滑动步长s为1、2、1、2的提取模块，分别输出24×160×160、40×80×80、40×80×80、80×40×40的特征图，第八层到第十层均为滑动步长s为1的提取模块，目的是为获得更高质量的同级特征图，输出特征图大小均为80×40×40，第十一层为升维层，特征图尺度不变，通道增加至120，最终输出特征图为

120×40 ×40，第十二层利用滑动步长s为2的提取模块对输入特征图进行处理，通道增加至160，得到160×20×20的特征图，第十三、十四、十五层均为滑动步长s为1的提取模块，输出特征图大小均为160× 20×20，第十六层为滑动步长s为2的提取模块，经过处理后输出大小为180×10×10的特征图；

所述预建深度轻量网络训练阶段利用交并比感知损失函数监督训练，其中，所述交并比感知损失函数包括类别损失函数、目标损失函数、回归损失函数；

所述类别损失函数 通过下式计算：

其中，

其中， 、 为调节系数， 为交并比感知系数， 为考虑中心点欧氏距离和长宽比的交并比损失函数， 为属于某一类别的概率，为属于的某一类别。

6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑4中任一所述的目标检测方法。