基于YOLO-NPDL的复杂交通场景检测方法

摘要

为提高复杂交通场景下车辆目标检测模型的检测精度，以YOLOv8n（you only look once version 8 nano）为基准模型，设计具有复合主干的Neck-ARW（包括辅助检测分支、RepBlock模块、加权跳跃特征连接）颈部结构，减少信息瓶颈造成沿网络深度方向的信息丢失；引入RepBlock结构重参数化模块，在训练过程中采用多分支结构提高模型特征提取性能；添加P2检测层捕捉更多小目标细节特征，丰富网络内小目标的特征信息流；采用Dynamic Head自注意力机制检测头，将尺度感知、空间感知和任务感知自注意力机制融合到统一框架中，提高检测性能；采用基于层自适应幅度的剪枝（layer-adaptive magnitude based pruning, LAMP）算法，移除模型的冗余参数，构建YOLO-NPDL（Neck-ARW,P2,Dynamic Head, LAMP）车辆目标检测模型。以UA-DETRAC（university at Albany detection and tracking）数据集为试验数据集，分别进行RepBlock模块嵌入位置试验、不同颈部结构对比试验、剪枝试验、消融试验、模型性能对比试验，验证YOLO-NPDL模型的平均精度均值。试验结果表明：RepBlock模块同时嵌入辅助检测分支和颈部主干结构时对多尺度目标的特征提取能力更优，在训练过程中可保留更多的细节信息，但参数量和计算量均增大；采用Neck-ARW颈部结构后模型的平均精度均值E_mAP50、E_mAP50-95分别提高1.1%、1.7%,参数量减小约17.9%,结构较优；剪枝率为1.3时，模型参数量、计算量分别减小约38.0%、24.0%,冗余通道占比较少，结构较紧凑；与YOLOv8n模型相比，YOLO-NPDL模型在参数量基本相同的基础上，召回率增大2.7%,E_mAP50增大2.7%,达到94.7%,E_mAP50-95增大6.4%,达到79.7%;与目前广泛使用的YOLO系列模型相比，YOLO-NPDL模型在较少参数量的基础上，检测精度较高。YOLO-NPDL模型在检测远端目标、雨天及夜景等实际复杂交通情景中无明显误检、漏检情况，可检测到更多的远端小目标车辆，检测效果更优。

关键词

目标检测 / 复杂交通场景 / YOLOv8n / Neck-ARW / RepBlock / LAMP算法