针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题，提出一种基于YOLOv5的雾霾天气下交通标志识别模型。首先，对YOLOv5的结构进行优化，采用逆向思维，通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别的问题，并通过调整残差模块的特征传递深度来抑制背景特征的重复叠加；其次，引入数据增强、K-means先验框、全局非极大值抑制（GNMS）等机制到模型；最后，在中国交通标志数据集TT100K上验证改进YOLOv5模型在面对恶劣天气时的检测能力，并对精度下降最显著的雾霾天气下的交通标志识别展开了重点研究。实验结果表明，改进YOLOv5模型的F1-score达0.921 50，平均精度均值@0.5 （mAP@0.5）达95.3%，平均精度均值@0.5：0.95 （mAP@0.5：0.95）达75.2%，且所提模型在恶劣天气下仍能进行交通标志的高精度识别，每秒检测帧数（FPS）达到50，满足实时检测的需求。

在工业场景无线射频识别（RFID）实时缺陷检测任务中，为了保证检测精度以及速度常采用YOLO这类深度学习目标检测算法，然而这些算法仍然难以满足工业检测中的速度要求，且无法将相应的网络模型部署到资源受限的设备上。针对以上问题，需要对YOLO模型进行剪枝压缩，提出了一种基于秩信息的特征信息丰富性和特征信息多样性加权融合的新型网络剪枝方法。首先，加载未剪枝模型进行推理，并在前向传播中获取滤波器对应特征图的秩信息来衡量特征信息丰富性；然后，根据不同大小的剪枝率对秩信息进行聚类或者相似度计算来衡量特征信息的多样性；最后，加权融合得到对应滤波器的重要性程度并对其进行排序后，剪除重要性排序靠后的滤波器。实验结果表明，对于YOLOv4，在剪枝率为28.87%且特征信息丰富性权重为0.75的情况下，所提方法相较于单一使用特征图秩信息的方法提高了2.6%~8.9%的平均精度均值（mAP），所提方法剪枝后的模型甚至相较于未剪枝模型提高了0.4%的mAP并减少了35.0%的模型参数，表明该方法有利于模型部署。