一种针对室内关键目标检测的改进YOLOv8算法

摘要

随着社会服务型机器人的发展，室内目标检测成为机器人识别场景的重要任务。针对现有网络在室内目标检测任务中存在的检测精度低、检测速度慢、难以应用在嵌入式设备上的问题，提出了一种基于YOLOv8的轻量化改进网络。针对场景中存在难以识别的小目标的问题，增加一个检测头以提高对小目标的检测精度；引入Ghost Bottleneck替换网络Neck部分中C2f模块中的bottlencek,将网络中后半部分卷积中的SiLu激活函数替换为H-swish激活函数，减少网络的参数量和计算量，提高检测速度，降低网络的移植难度；在Neck部分中添加MRLA注意力机制，加强不同层之间的联系，增加特征提取能力，提高整体识别精度。实验结果表明：在室内场景数据集上，改进后的算法较原算法平均精度提升了3.6%,检测速度为72 frame/s,同时网络参数量较原网络减少约11%,能满足检测的准确性和实时性，优于目前主流算法。

关键词

目标检测 / YOLOv8 / 室内场景 / 注意力机制 / GhostNet