1.一种基于改进Yolov7‑tiny的轻量化目标检测方法，其特征在于，包括如下步骤：S1：数据采集与处理：从真实场景中收集大量的图像数据，并对采集到的数据进行预处理；

S2：将采集到的数据集构建Yolo格式数据集，将S1采集到的图像中，每个目标标注其类别、位置和大小信息，还对标注数据进行筛选和清洗，最后将标注的xml文件转化成Yolo目标检测算法可以识别的格式；

S3：在Yolov7‑tiny网络模型基础上进行改进，将Yolov7‑tiny模型Backbone网络中CBS模块去除，并使用FasterNet模块和BasicStage模块对ELAN模块和MP模块进行替换；将Neck网络中C3模块替换为PConv模块，并在PConv模块后添加CA注意力模块；最后将Yolov7‑tiny中CIoU损失函数替换为Focal‑EIoU损失函数；

S4：使用改进后的Yolov7‑tiny轻量化模型进行训练评估，在训练过程中选择合适的超参数、优化器和损失函数；

S5：对模型训练后的数据进行分析判断，并对模型进行调整和优化，保留训练后最优权重模型；将训练后的模型进行实验测试。

2.根据权利要求1所述的基于改进Yolov7‑tiny的轻量化目标检测方法，其特征在于，所述步骤S3中使用FasterNet块和BasicStage模块对ELAN模块和MP模块进行替换具体为：第一层ELAN模块采用步长为4的FasterNet模块进行替换，第三层、第五层和第七层ELAN模块采用步长为2的FasterNet模块进行替换，MP模块采用步长为1的BasicStage模块进行替换。

3.根据权利要求1或2所述的基于改进Yolov7‑tiny的轻量化目标检测方法，其特征在于，所述FasterNet模块有四个分层阶段，每个阶段都有一个嵌入层或一个合并层前置，用于空间下采样和通道数扩展；每个阶段有一个FasterNet块，每个FasterNet块都包含一个PConv层和两个PWConv层；FasterNet模块归一化层采用批量归一化；激活层放置在每个中间PWConv之后，最后全局平均池化层、1×1卷积层和全连接层用于特征转换和分类。

4.根据权利要求3所述的基于改进Yolov7‑tiny的轻量化目标检测方法，其特征在于，所述嵌入层为步长为4的常规Conv 4×4；所述合并层为步长为2的常规Conv 2×2。

5.根据权利要求1所述的基于改进Yolov7‑tiny的轻量化目标检测方法，其特征在于，所述PConv模块通过将输入特征图分成多个子特征图，并为每个子特征图分配一个独立的卷积核进行处理，所述子特征图可以是空间上划分的不重叠区域，也可以是按通道划分的子组。

6.根据权利要求1所述的基于改进Yolov7‑tiny的轻量化目标检测方法，其特征在于，所述Focal‑EIoU损失函数具体为：EIoU Loss损失函数如公式(1)：

Focal Loss如公式(2)：

γ

LFL＝‑(1‑pt) log(pt) (2)

将EIoU Loss和Focal Loss公式进行整合，得到最终的Focal‑EIoU损失函数，其公式如下：γ

LFE‑IoU＝IoU LEIoU (3)

γ

LFE‑IoU＝‑(1‑IoU) log(IoU)EIoU (4)。