1.一种基于改进YOLOv5n的目标检测方法，其特征在于：所述检测方法包括以下内容：S1：获取整张图像；利用RepConv改进FasterNet主干网络；

使用RepVGG中的RepConv取代FasterNet中的PConv；

所述S1中，RepConv的核心思想是使用多分支结构，将多个卷积核和其它操作组合起来，若一个包含三个分支的结构：一个3×3卷积，一个1×1卷积和一个恒等映射；

其输出分别为：

Y1＝W1*X

Y2＝W2*X

Y3＝X

将这三个输出进行融合，得到最终的输出：

Y＝Y1+Y2+Y3；

Y＝(W1*X)+(W2*X)+X

在训练期间，使用上述多分支结构，在推理阶段，将分支重新参数化为单个卷积核；具体步骤如下：S11：恒等映射的重新参数化：将恒等映射表示为一个具有恒等卷积核的1×1卷积，即：Y3＝X＝W3*X

其中，W3是一个1×1的恒等卷积核；

S12：卷积核融合：将所有分支的卷积核融合成一个卷积核，若所有卷积核大小相同，则融合后的卷积核为：Wfused＝W1+W2+W3

S13：推理阶段的单一卷积操作：在推理阶段，只需使用融合后的卷积核进行单次卷积操作：Y＝Wfused*X；

S2：替换原C3主干网络；

将改进后的Faster_Rep与原主干网络的C3模块融合，使用改进后的C3‑FR主干替换原主干网络的backbone；

S3：对改进后的模型进行剪枝；并使用上述模型处理获取的整张图像，根据整张图像内容进行描述，并结合目标物体的特征信息，确定该物体的类别与位置，完成检测出目标；

通过对YOLOV5算法进行改进，优化了整个算法的检测效果。

2.根据权利要求1所述的一种基于改进YOLOv5n的目标检测方法，其特征在于：所述S3中，通道剪枝通过对训练过程中不同参数的重要性进行判断，剔除不重要的通道及其对应的输入和输出，其主要过程包括：对网络进行稀疏化训练，判断不同通道的重要程度，去掉不重要的通道，最后得到剪枝后的网络模型，并给出了通道稀疏化训练和剪枝过程，给卷积层中每个通道分配一个评价其重要性的尺度因子γ；

通过大量训练使一些γ分布不断靠近于0，对其进行排序并根据分布给定一个阈值参数，最后直接剔除掉小于阈值的通道，用于减少其计算量和模型大小。

3.根据权利要求2所述的一种基于改进YOLOv5n的目标检测方法，其特征在于：在检测网络中，每一个卷积层后均有批标准化BN层，通过对输入数据进行归一化来加速网络收敛，对应的公式为：2

式中：yin和yout表示BN层的输入和输出，μ和σ分别表示输入特征图的均值和方差；β为偏置；ε为极小因子，防止分母为0。

4.根据权利要求2所述的一种基于改进YOLOv5n的目标检测方法，其特征在于：在训练时，稀疏化训练的损失函数为：式中：第一项表示YOLO的损失函数；第二项使用L1正则化来对缩放因子γ进行约束；α为稀疏参数，用来平衡两个损失。