摘要
بالنسبة لمشكلة التعرف الحالية لخوارزمية كشف الأهداف في القيادة الآلية المتعددة أو القليلة ، وكشف الأهداف المركبة وتسرب الأخطاء ، تقدم هذه الورقة خوارزمية جديدة لكشف الأهداف في القيادة الآلية المستندة إلى YOLOv8s.من خلال استبدال بعض الانقضاضات العادية في الشبكة الرئيسية لYOLOv8s بقنفذ إعادة التشكيل Conv (RepConv) ، يمكننا تعزيز قدرة الإدراك للأهداف وفي الوقت نفسه تقليل تعقيد الحساب واستهلاك الذاكرة ، وتحسين كفاءة النموذج.بالإضافة إلى ذلك ، تمت إضافة آلية الانتباه المركزة متعددة المقياس فعالة (EMA) بعد الجزء العلوي للشبكة C2f ، ويمكن تحسين تركيز الميزات وسرعة تقارب النموذج.بعد ذلك ، تمت إضافة رأس الكشف P2 إلى الشبكة لتعزيز قدرة الكشف على الأهداف الصغيرة.أخيرًا ، يتم استخدام وظيفة خسارة Wise-IoU (WIoU) ، والتي يمكن من خلالها آلية التركيز غير المتزايدة الديناميكية واستراتيجية توزيع مكاسب التدرجات زيادة أداء كاشف الأداء ككل.على مجموعة بيانات السيارة التي تم وضع علامات يدويًا ، حقق النموذج المحسن معدل عرض الإنتاج 81.2% و mAP50-95 بنسبة 58.4٪ ، وزيادة 1.5٪ و 1.2٪ على التوالي مقارنة بنموذج YOLOv8s ، وارتفاع بمقدار 1.9٪ و 0.8٪ في الدقة واسترداد ، مع التقليل من 11.14 M إلى 10.87 M. في عدد المعلمات. يمكن للنموذج المحسن أن يزيد دقة الكشف مقارنة بالنموذج القياسي في الوقت نفسه الذي يقلل من عدد المعلمات ، مما يجعله أكثر مناسبة لمهمة القيادة الآلية.
关键词
القيادة الآلية ؛ كشف الأهداف ؛ YOLOv8s ؛ انتباه فعال متعدد المقياس ؛ Wise-IoU