基于轻量化YOLOv11的道路目标检测

摘要

在复杂道路环境下，自动驾驶系统在目标检测过程中仍然面临误检与漏检的挑战，难以兼顾精度和实时性。本文提出一种基于YOLOv11的轻量化改进道路目标检测方法。首先应用深度可分离卷积(SPD-Conv)替换部分传统卷积，以增强特征之间的关联性，提高卷积操作的表达能力。其次对C2PSA结构中的PSABlock模块进行优化，引入结合空间与通道的注意力机制SCSA,实现更全面的特征融合，有效捕捉多语义信息，降低关键信息遗漏的风险。最后将传统上采样模块替换为动态上采样(DySample)模块，既保持检测精度，又提高整体推理速度，实现模型的轻量化。实验结果表明，该方法在KITTI数据集上相比于原模型参数量降低18.9%,平均精度均值提升1.04%,推理速度提升16.9%,有效提升了检测性能与推理效率。

关键词

YOLOv11 / 深度可分离卷积 / SCSA / DySample / 轻量化

基金资助

辽宁省教育厅高等学校基本科研项目(LJKMZ20220610)