改进YOLOv8n的交通标志检测算法

摘要

交通标志检测在智能驾驶中扮演重要角色，针对交通标志检测算法在复杂场景下对小目标检测精度低，提出一种基于YOLOv8n的交通标志检测算法YOLO-EMDE。该算法采用轻量级EfficientFormerV2网络替换backbone,增强了网络特征融合能力，通过引入C2f＿MPDCN模块，动态调整感受野，使用动态卷积神经网络，加强目标检测能力。并将YOLOv8的原始头部替换为DyHead检测头，融合了空间、尺度和任务三种注意力机制，使得模型在处理不同背景下的交通标志检测更精准。最后，为了进一步增强模型的分类能力和训练稳定性，算法采用了EMA-SlideLoss作为损失函数。在TT100K交通标志数据集上的测试结果表明，YOLO-EMDE算法在精确率、召回率和mAP@0.5上相较于原算法提升幅度分别高达8%、5.5%和6.5%。同时，该算法的检测速度达到了83帧/s,充分满足了实时性应用的需求。

关键词

目标检测 / 智能驾驶 / YOLOv8n / 交通标志 / 动态卷积 / DyHead

基金资助

国家自然科学基金(62241302)