بالنسبة لخوارزمية الكشف عن التعب للسائقين حاليًا ، وجود مشاكل مثل تعقيد عملية الكشف ، والكثير من المعلمات ، ودقة منخفضة ، وبطء التشغيل ، تم تقديم نموذج خفيف الوزن يعتمد على تحسين YOLOv8n-Pose. قام هذا النموذج بتحسين هيكل YOLOv8n-Pose ، أولاً ، في الشبكة الرئيسية للنموذج ، تم إدخال التحسين Ghost Convolution لتقليل عدد معلمات النموذج والحوسبة الزائدة غير الضرورية للتبعيات. ثانياً ، تم دمج شبكة Slim-neck الشبكة الرئيسية مع ميزات مختلفة لمختلف الأحجام ، مما يسرع من حسابات التنبؤ بالشبكة. في الوقت نفسه ، تم إضافة وحدة الانتباه للكتلة المقفلة في العنق (SEAM) لتأكيد منطقة الوجه في الصورة وتقليل الخلفية وتحسين فعالية تحديد النقاط الرئيسية. أخيرًا ، في جزء رأس الكشف ، تم تقديم هيكل GNSC-Head الذي يدمج التحويم المشترك ويحسن طبقة BN للتحويم العام إلى طبقة GN الأكثر استقرارًا ، مما يوفر مساحة المعلمات والموارد الحسابية بشكل فعال. أظهرت نتائج التجارب أن YOLOv8n-Pose المحسنة مقارنة بالخوارزمية الأصلية زادت 0.9٪ في mAP@0.5 ، وتقلصت كلًا من عدد المعلمات والحسابات بنسبة 50٪ ، وتحسنت معدل الإطارات في 8٪ ، ويمكن أن يكون معدل التعرف على القيادة المتعبة النهائي 93.5٪. وقد تم التحقق من أن خوارزمية هذا النص يمكنها الحفاظ على دقة الكشف العالية بينما تحفظ الوزن ، ويمكنها التعرف على حالة السائق بشكل فعال ، وتقدم دعمًا قويًا لنشر أجهزة حواف السيارات.

fatigue driving detection;deep learning;yolov8n-pose;light weight;attention mechanism