摘要
استجابةً لمشكلات خوارزميات كشف الأهداف في القيادة الذاتية الحالية مثل كشف نوع واحد أو عدد قليل من الأهداف، والتفويت في الكشف والأخطاء في الكشف، يقترح هذا البحث خوارزمية كشف أهداف للقيادة الذاتية محسنة تعتمد على YOLOv8s. تستبدل هذه الخوارزمية بعض الطبقات التلافيفية العادية في الشبكة الأساسية لـ YOLOv8s بطبقات RepConv (تلافيف إعادة التوزيع)، مما يعزز قدرة الإدراك على الأهداف مع تقليل تعقيد الحساب واستهلاك الذاكرة، وبالتالي تحسين كفاءة النموذج. بالإضافة إلى ذلك، تضاف آلية الانتباه متعددة المقاييس الفعالة (EMA) خلف شبكة العنق C2f، لزيادة تركيز الميزات وسرعة تقارب النموذج. ثانياً، يضاف رأس الكشف P2 في رأس الشبكة لتعزيز قدرة الكشف عن الأهداف الصغيرة. أخيراً، يستخدم دالة خسارة WIoU (Wise-IoU)، والتي تحسن أداء الكاشف الكلي من خلال آلية التركيز غير المحدبة الديناميكية واستراتيجية توزيع مكاسب التدرج. على مجموعة بيانات Car المعلّم يدوياً، حقق النموذج المحسن قيم mAP50 وmAP(50-95) بنسبة 81.2% و58.4% على التوالي، بزيادة 1.5% و1.2% عن نموذج YOLOv8s؛ وارتفعت الدقة (Precision، P) ومعدل الاستدعاء (Recall، R) بنسبة 1.9% و0.8%؛ وتم خفض عدد المعلمات من 11.14 مليون إلى 10.87 مليون. بالمقارنة مع النموذج الأساسي، يقدم النموذج المحسن دقة كشف أعلى مع تقليل عدد المعلمات، مما يجعله أكثر ملاءمة لمهام القيادة الذاتية.
关键词
القيادة الذاتية;كشف الأهداف;YOLOv8s;EMA;Wise-IoU
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website