轻量化的YOLOv8锥桶检测算法研究

摘要

针对现有无人驾驶方程式赛车对锥桶检测算法存在运算量大、精度低等问题，提出一种改进的YOLOv8n算法，该算法检测精度高、模型参数量少。改进算法引入Stem模块和EfficientNet-Lite网络结构来替换YOLOv8主干网络，由于YOLOv8的检测头中解耦的参数量占总参数的40%,故设计一种结构轻量化的检测头结构来减少模型的参数量，加入下采样倍数为4的高分辨率特征图P2用于检测微小目标。实验结果表明：在数据集上，改进的YOLOv8算法与原来的YOLOv8n算法相比，平均精度指标从90.1%提升到93.8%,参数量从3.00 M降到1.37 M,计算量从8.1GFLOPs降到4.7GFLOPs;在实车测试中，不但有效减少了锥桶的漏检现象，而且模型内存缩减了49%。

关键词

深度学习 / 锥桶检测 / 轻量化主干网络 / 轻量化检测头 / 小目标检测层