1.一种基于改进YOLOv5s的小目标交通标志实时检测方法，其特征在于，具体包括以下步骤：步骤1：获取交通标志图像，形成第一数据集；所述第一数据集中，交通标志图像可通过数码相机进行拍摄、从网络中收集获取，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划分训练集、验证集和测试集；

步骤3：构建基于改进YOLOv5s的小目标交通标志实时检测模型，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：将YOLOv5s模型中的C3模块和ConvMixer相结合，构成CSPCM模块，用CSPCM模块分别替换YOLOv5s主干网络最后一层的C3模块和颈部网络中最后一层的C3模块；

步骤3.2：用轻量化卷积模块C3_Faster替换YOLOv5s模型主干网络和颈部网络中其余的C3模块，即采用C3_Faster替换除所述步骤3.1中已经替换的主干网络和颈部网络中最后一层的C3模块之外的其余的C3模块；

步骤3.3：输出层在已有的3个检测头的基础上增加一个小目标检测头；

步骤4：采用新的损失函数，具体方法为：

在CIoU损失函数中引入NWD度量方法，使用NWD度量优化YOLOv5s的CIoU损失函数，优化后的损失函数公式为：L＝(1-β)*(1-NWD(Na,Nb))+β*(1-CIoU)              (1)NWD是归一化的Wasserstein距离，Na,Nb是由和建模的高斯分布，a表示真实框，b表示预测框，cxa,cya代表真实框的中心点坐标，wa、ha代表真实框的宽度和高度；cxb,cyb代表预测框的中心点坐标，wb,hb代表预测框的宽度和高度；β是权重比例系数，CIoU是原YOLOv5s中的损失函数，CIoU计算公式为：式(2)中，ρ2(bA,bB)表示真实框与预测框真实框中心点之间的欧几里得距离，c表示预测框和真实框的最小限定矩形的对角线距离，α为权重因子，v为纵横比一致性，IoU为真实框与预测框之间的重叠比例；

步骤5：利用所述训练集和验证集对所述基于改进YOLOv5s的小目标交通标志实时检测模型进行训练，将训练好的模型保存为最优模型，进一步包括步骤5.1至步骤5.4：步骤5.1：设置所述基于改进YOLOv5s的小目标交通标志实时检测模型训练参数，模型训练参数包括：学习率，动量，权重衰减，优化器，迭代轮数，批大小；

步骤5.2：将所述训练集和验证集图像以及对应标签输入到所述改进YOLOv5s的小目标交通标志实时检测模型中，使用反向传播算法计算损失函数对模型参数的梯度，通过最小化损失函数调整模型参数使其逐渐接近最优解；

步骤5.3：使用优化器SGD来更新模型参数，使模型参数朝着梯度下降的方向更新，直到训练集和验证集的损失函数不再下降，同时评价指标mAP、召回率R、准确率P也不再提高；

步骤5.4：将训练好的模型参数保存为最优模型；

步骤6：采用所述测试集对所述最优模型进行测试，对测试集测试结果进行评估，满足精度要求，即获得最终基于改进YOLOv5s的小目标交通标志实时检测模型。

2.根据权利要求1所述的一种基于改进YOLOv5s的小目标交通标志实时检测方法，其特征在于，所述步骤2中，按照7:2:1的比例进行划分训练集、验证集和测试集。

3.根据权利要求1所述的一种基于改进YOLOv5s的小目标交通标志实时检测方法，其特征在于，所述步骤6进一步包括步骤6.1至步骤6.3：步骤6.1：将所述测试集输入到步骤5所述的最优模型中；

步骤6.2：计算模型性能指标：准确率P、召回率R、mAP、参数量、计算复杂度GFLOPs、模型大小，具体计算公式如下：其中，P为准确率，R为召回率，mAP为所有类别的平均精确率均值，AP为平均精确率，m为交通标志总类别数，TP表示正样本被正确识别为正样本的个数，FP表示负样本被错误识别为正样本的个数，FN表示正样本被错误识别为负样本的个数；

步骤6.3：当性能指标满足精度要求时，获得最终基于改进YOLOv5s的小目标交通标志实时检测模型。