Angesichts des Problems der gegenseitigen Beeinträchtigung von Erkennungsgenauigkeit und Systemaufwand bei mehrskaligen Objekterkennungsalgorithmen für Bilder wird ein leichtgewichtiger hochpräziser Objekterkennungsalgorithmus basierend auf dem YOLO-Rahmenwerk vorgeschlagen. Innerhalb des YOLO-Rahmens und basierend auf dem MobileNetv3-Netzwerk wurden das Downsampling und der Kanal-Aufmerksamkeitsmechanismus verbessert, um Zielmerkmale präzise zu extrahieren und unnötigen Aufwand zu reduzieren. Es wurde eine Merkmals-Pyramiden- und ein einstufiges kopfloses Fusionsstruktur-Design entwickelt, um unterschiedliche Rezeptive Felder zu bauen und Informationen verschiedener Skalen zu erfassen, wodurch die Anpassungsfähigkeit des Algorithmus an mehrskalige Ziele verbessert wurde. Gleichzeitig wurden SIOU als Regressionsverlust und Soft-NMS zur Behandlung redundanter Boxen eingesetzt, was die Genauigkeit des Algorithmus steigerte. Die experimentellen Ergebnisse auf den MS COCO- und UA-DETRAC-Verkehrsüberwachungsdatensätzen zeigen, dass der hier vorgestellte verbesserte Algorithmus im Vergleich zum ursprünglichen YOLOXs bei gleichbleibender Genauigkeit die Modellparameterzahl und den Rechenaufwand um 64,98% bzw. 57,14% reduziert; auf dem UA-DETRAC-Verkehrsdatensatz erreichte der mAP@0.5 70,5%, eine Steigerung von 3,52%, und die FPS stieg um 14,4%. Der verbesserte Algorithmus reduziert den Systemaufwand erheblich, verbessert die Genauigkeit und gewährleistet effektiv die doppelte Leistung der Erkennung.

Objekterkennung;YOLOXs;Aufmerksamkeitsmechanismus;Leichtgewicht;SIOU;Soft-NMS