摘要
لحل مشكلة انخفاض دقة الكشف في طرق الكشف عن علامات المرور الحالية المتعلقة بالأهداف الصغيرة، والأهداف غير الواضحة، والبيئات المعقدة، تقترح هذه الورقة نموذج كشف علامات مرور مطور YOLOv8-NTS لتحسين أداء النموذج في بيئات المرور المعقدة. تم تطوير النموذج بناءً على YOLOv8 من ثلاثة جوانب: أولاً، تم تصميم وحدة محول الانتباه المختلط خفيفة الوزن SlimHAT في الشبكة الأساسية لتعزيز القدرة على نمذجة معلومات البكسل العالمية وتحسين دقة تمثيل الميزات؛ ثانياً، تم تصميم وحدة WT-C2fBlock القائمة على WTConv لتحل محل وحدة C2f الأصلية، مما يقلل من عدد معلمات النموذج بنسبة 12.2٪ مع الحفاظ على دقة الكشف؛ وأخيراً، تم تصميم رأس كشف جديد RFAhead يجمع بين آلية الانتباه المكاني والعمليات الالتفافية لتحسين عملية استخراج ودمج الميزات، مما يعزز قدرة النموذج على التعبير عن الأهداف والصلابة. أظهرت التجارب على مجموعة بيانات علامات المرور TT100K أن نموذج YOLOv8-NTS المطور يحسن مؤشرات الدقة، والاسترجاع، وmAP50، وmAP50~90 بنسبة 6.5٪، 5.0٪، 7.3٪، و5.3٪ على التوالي مقارنةً بالنموذج الأساسي YOLOv8، مما يبرز تفوقه الواضح في الأداء. يمكن لنموذج YOLOv8-NTS المقترح تحسين دقة كشف علامات المرور والقدرة على التعميم بشكل ملحوظ مع الحفاظ على تكلفة حسابية منخفضة، مما يؤكد فعالية وقيمة هذا الأسلوب ويوفر دعمًا تقنيًا موثوقًا للتعرف على علامات المرور في سيناريوهات المرور الذكية.
关键词
كشف علامات المرور;SlimHAT;WT-C2fBlock;RFAhead;YOLOv8