لحل مشكلة صغر حجم علامات المرور في مشاهد القيادة الذاتية وتأثرها بسهولة بالبيئة مما يؤدي إلى انخفاض دقة الكشف، بالإضافة إلى محدودية قدرة الحوسبة واستهلاك الطاقة في منصات السيارات التي تجعل من الصعب دعم النماذج المعقدة، تقدم هذه المقالة خوارزمية كشف خفيفة ومحسنة تسمى YOLO-DyMiF (الخلاط الديناميكي ودمج الميزات). يستند هذا النموذج إلى YOLOv10n مع تحسينين: أولاً، تصميم خلاط ديناميكي فعال قائم على الالتفاف الكفؤ التكيفي (AEConv) يسمى بنية الخلاط الديناميكي الفعالة (EDMS)، والمضمن في وحدة C3k2 لتكوين وحدة C3k2_EDMS، لتحل محل وحدة C2f في نموذج YOLOv10n مع الحفاظ على قدرة التعبير المميزة للشبكة الأساسية وتقليل عدد المعلمات بشكل فعال؛ ثانياً، تصميم شبكة دمج ميزات ديناميكية في الرأس تعتمد على وحدة تعزيز الفضاء متعدد المقاييس الطبقية (HMSE) كمحور رئيسي، والتي تعزز قدرة تمثيل الميزات متعددة المقاييس من خلال التفاعل بين الطبقات والدمج التكيفي للأوزان، مما يحسن دقة كشف العلامات المرورية الصغيرة مع الحفاظ على أداء الكشف للأهداف المتوسطة والكبيرة. أظهرت نتائج التجارب على مجموعة بيانات TT100K أن خوارزمية YOLO-DyMiF تزيد من mAP50 بنسبة 1% مقارنة بـ Mamba-YOLOt الرائدة حالياً، مع انخفاض في عدد معلمات النموذج بنسبة 58.3% وانخفاض في حجم الحسابات بنسبة 42.3%. يمكن للنموذج المقترح تقليل تكلفة الحوسبة بشكل ملحوظ مع ضمان دقة كشف عالية، ويوفر دعمًا تقنيًا موثوقًا للكشف عن علامات المرور في مشاهد القيادة الذاتية.

كشف الأهداف; علامات المرور; القيادة الذاتية; الأهداف متعددة المقاييس; الحوسبة الطرفية