基于YOLOv8的小目标检测方法研究

摘要

为了提升小目标检测的准确性和效率，本文针对现有算法在小目标识别方面的不足，提出了一种基于YOLOv8的改进型检测方法。该方法在YOLOv8的基础上，融入了SPD(Space-to-Depth)模块，有效避免了传统步长卷积和池化操作所导致的信息损失；同时，提出了改进的FT＿Conv(Fractional Fourier Trans‑form Convolution)，提高了模型对小目标的检测精度和计算效率；此外，通过C2f＿BiLevel Routing Attention机制，实现了动态稀疏注意力，优化了特征融合和物体检测性能，进一步提升了模型对小目标的识别能力；最后，引入了Powerful-IoU损失函数，以改善现有的IoU锚框面积扩大问题，增强了对锚框的聚焦能力。实验结果表明，相较于原始YOLOv8模型，改进后的模型在小目标检测任务中的平均精度(AP)提升了3.29百分点，并且显著地降低了漏检率和误检率。这些成果证实了改进型YOLOv8模型在小目标检测领域具有明显的性能优势。

关键词

小目标检测 / YOLOv8 / 分数阶傅里叶变换 / 模型评估 / 动态稀疏注意力 / Powerful-IoU损失函数