改进YOLOv8的密集车辆检测算法

摘要

针对当前传统网络模型对密集车辆识别精度低、检测不准确的问题，提出了基于YOLOv8改进的密集车辆检测算法。首先，在Neck部分中添加了Co TA注意力机制，使得模型在特征提取过程中能有效利用相邻特征之间丰富的上下文关系，提高特征提取能力。其次，将Neck中的C2f模块替换为C2f-ScConv模块，可有效避免冗余特征的提取，减少模型的计算量，提高模型的精度。然后，添加了小目标检测层，更好地捕捉小目标的特征。最后，将损失函数改进为Wise-IoU v3，提升了网络模型的边界框回归性能。实验结果表明，在UA-DETRAC数据集上，改进后的YOLOv8n算法和传统的YOLOv8n相比，平均精度m AP@0.5及m AP@0.5∶0.95分别提高了3.3%和1.3%，检测速度每秒提高了96帧。改进后的YOLOv8n算法在提高检测速度的同时，提高了检测精度，综合效果优于传统的YOLOv8n算法。

关键词

YOLOv8 / 车辆检测 / 注意力机制 / WIoU / 目标检测