面向锥桶检测的改进YOLOv11n算法研究

摘要

针对大学生无人驾驶方程式赛车锥桶检测算法存在的参数量大、精度低等问题，提出一种改进YOLOv11n算法。首先，在颈部网络增加P2小目标检测层，并去除了大目标层P5,增强远距离小尺寸锥桶特征表达能力的同时减少了对大目标的冗余计算。其次，采用ADown模块替代基线模型中用于下采样部分的传统卷积，在保持检测精度前提下压缩模型体量。最后，使用MBConv模块重构检测头，设计全新的轻量化检测头MB＿Detect,进一步减少模型参数量与计算量。实验结果表明：在公开数据集FSACOCO上，改进后的YOLOv11n算法将平均精度均值由90.4%提至94.8%,召回率由83.5%提至90.1%,模型参数量与计算量分别降低至1.35 M和5.1GFLOPs,且模型内存缩减了36%。在实车测试中，改进算法显著减少了锥桶漏检现象，为后续赛车路径规划提供了更精准的环境感知数据基础。

关键词

深度学习 / 锥桶检测 / 下采样模块 / 轻量化检测头 / 小目标检测层