基于YOLOv8改进的小目标交通标志检测方法

摘要

针对复杂环境中交通标志尺度变化和特征遮挡导致的小目标检测难题，提出一种改进的YOLOv8模型。该模型集成3个创新模块：(1)星型多尺度深度可分离模块（MDWStar），模块通过深度可分离卷积和特征点积实现高效多尺度融合；(2)双最大平均池化模块（DMAP），模块融合最大池化和平均池化增强判别性特征；(3)多尺度瓶颈模块（MSBM），模块结合多尺度瓶颈与SE注意力机制扩展感受野。在TT100K数据集上的实验表明，3个模块分别使基准mAP50提升1.6%,0.4%和7.0%，组合模型YOLOv8＿z达到74.9%mAP50，较原始YOLOv8(67.4%)提升7.5%。SIMD遥感数据集泛化测试取得79.6%mAP50，优于YOLOv8(79.1%)和Faster R-CNN(74.3%)。可视化结果证实模型对小目标和遮挡目标具备更优检测能力，参数量仅增加0.13M，具有实际应用价值。

关键词

小目标检测 / 交通标志识别 / 多尺度特征融合 / 注意力机制