改进YOLO11n的小目标交通标志检测方法

摘要

针对现有目标检测算法存在对交通标志中的小目标识别准确率低、检测不完全等问题，提出一种改进YOLO11n的交通标志检测方法。首先，在颈部利用GhostConv与全局注意力机制(global attention mechanism, GAM)设计了C3k2＿GG模块，在减少参数的同时，加强了模型对小目标的特征表达；其次，主干部分在SPPFCSPC的基础上引入SimAM注意力机制模块，设计了SPPFAPSA模块用于替换主干部分的SPPF模块，能有效抑制背景噪声对目标特征信息的干扰，提高模型对小目标的特征提取能力；最后，采用NWD(normalized wasserstein distance)与CIoU相结合优化后的损失函数，进一步提高模型对小目标的检测精度。实验结果表明，改进后的算法在TT100K数据集中，精确率、召回率、mAP@0.5分别达到了83.2%、75.0%、84.4%,相较与原模型YOLO11n提高了4.0、6.1、6.1个百分点，可以有效解决小目标交通标志识别精度低和漏检等问题。

关键词

YOLO11n / 深度学习 / 小目标检测 / 交通标志