1.一种基于YOLOv5s改进的轻量模型目标检测方法，其特征在于，所述目标检测方法包括以下步骤：步骤1、选择数据集；

步骤2、对数据集进行预处理；

步骤3、改进注意力机制，将预处理后的数据在基础的轻量级YOLOv5s中融入全局注意力机制；

步骤4、改进特征融合机制，经过步骤3处理后，通过自适应特征融合对经历过特征提取后的特征图进行特征融合；

步骤5、经过步骤3和步骤4将网络输出的图像送入检测头，通过损失函数计算预测损失，构建基于YOLOv5s改进的轻量模型；

步骤6、通过数据集对改进的轻量模型进行测试和验证；

步骤7、根据步骤6测试与验证的结果，对改进的轻量模型的指标进行评价。

2.根据权利要求1所述的一种基于YOLOv5s改进的轻量模型目标检测方法，其特征在于，所述改进注意力机制通过在基础的轻量级YOLOv5s中融入全局注意力机制，将通道注意力和空间注意力二者联系起来，加强空间和通道两个方面的特征提取，通过增强两个注意力维度间的特征信息交互，获取更加细致的特征纹理，提高中小目标的特征提取率，以此来提高目标的检测准确率。

3.根据权利要求2所述的一种基于YOLOv5s改进的轻量模型目标检测方法，其特征在于，所述改进注意力机制具体操作如下：(1)将三维排列将特征图的维度由ΔC×ΔW×ΔH置换为ΔW×ΔH×ΔC，其中ΔC表示输入特征图的通道数，ΔW表示特征图的宽度，ΔH表示特征图的高度；通过两个多层感知机增强了通道与空间之间的跨维度联合，增强检测器对目标的提取，特征提取之后再通过三维逆排列恢复特征维度，其公式如下，

其中δ表示为sigmoid函数，ρ表示三维排列，表示逆排列,MLP表示多层感知机；

(2)再对输入特征图进行卷积操作，7×7的卷积核，填充设为3，从而对通道域进行压缩降维，突出空间域的边缘处目标特征和目标特征差异，得到r表示空间维度降低倍率，

其中，表示由卷积核为7×7，正则化(BN)和ReLU激活函数组成的卷积网络。

4.根据权利要求1所述的一种基于YOLOv5s改进的轻量模型目标检测方法，其特征在于，所述改进特征融合机制通过步骤3处理后，对提取的目标进行特征的再融合，在特征融合端引入自适应特征融合，通过自适应特征融合对经历过特征提取后的特征图进行特征融合，自适应学习各尺度特征之间的空间权重，提高特征的表征能力，使其自适应融合目标特征。

5.根据权利要求4所述的一种基于YOLOv5s改进的轻量模型目标检测方法，其特征在于，所述改进特征融合机制具体操作如下:(1)设三层输出特征映射为xl,l∈{1,2,3}，设非l层的特征映射为xn,由于不同特征层中的特征映射具有不同的分辨率和通道数，通过Conv3*3卷积，步长为2对特征分辨率进行下采样，Conv1*1卷积压缩特征的通道数；不同层间进行拼接，加强了特征的多尺度融合，再通过自适应学习不同尺度特征的空间权重，提高特征的表征能力。特征融合公式如式：

其中，表示将第n层特征映射的点D(i，j)的特征向量大小调整为与第l层相同，/>表示输出特征映射yl在点D(i，j)处的特征向量；

(2)自适应提取n层到l层的空间权重，其定义如下式：

其中， 且均∈(0,1)。/>分别表示x1→l，x2→l，x3→l的权重标量映射。

6.根据权利要求1所述的一种基于YOLOv5s改进的轻量模型目标检测方法，其特征在于，所述步骤7对改进的轻量模型进行评价，评价指标包括平均准确率(AveragePrecision,AP)和均值平均准确率(mean Average Precision,mAP)评价指标，其公式如下：

其中，P代表精确率，R代表召回率，P和R的计算公式如下：

其中，TP(True Positive)表示预测为真且实际为真的样本个数，FP(False Positive)表示预测为真但实际为假的样本个数，FN(False Negative)表示预测为假但实际为真的样本个数。