Um die aktuellen Probleme des Zielverfolgungsalgorithmus für das autonome Fahren zu lösen, einschließlich der Erkennung einer geringen Anzahl von Zielen, der Mehrfachzielverfolgung und der fehlerhaften Erkennung, präsentiert dieser Artikel einen neuen Zielverfolgungsalgorithmus für das autonome Fahren, basierend auf einer verbesserten Version von YOLOv8s.Durch den Ersatz einiger herkömmlicher Faltungsschichten im Hauptnetzwerk von YOLOv8s durch Neu-Parameterisierung Conv (RepConv)-Faltungsschichten können wir die Zielerfassungsfähigkeit verbessern und gleichzeitig die Berechnungskomplexität und den Speicherverbrauch reduzieren, was die Effizienz des Modells verbessert.Darüber hinaus wurde nach dem Halsnetzwerk C2f ein effizienter Multi-Scale-Attention (EMA)-Mechanismus hinzugefügt, um die Merkmalsfokussierung und die Modellkonvergenzgeschwindigkeit zu verbessern.Dann wurde dem Netzwerk ein P2-Erkennungskopf hinzugefügt, um die Fähigkeit zur Erkennung kleiner Ziele zu stärken.Schließlich wird die Wise-IoU (WIoU)-Verlustfunktion verwendet, die die Gesamtleistung des Detektors durch einen dynamischen nichtmonotonen Fokussierungsmechanismus und eine Gradientgewinnzuweisungsstrategie verbessert.Auf dem manuell annotierten Autodatensatz erreicht das verbesserte Modell 81,2% und 58,4% für mAP50 und mAP50-95, mit einer Steigerung von 1,5% bzw. 1,2% im Vergleich zum YOLOv8s-Modell, wobei die Genauigkeit und die Rückrufquote jeweils um 1,9% und 0,8% gesteigert werden, während die Anzahl der Parameter von 11,14 M auf 10,87 M reduziert wird. Das verbesserte Modell hat die Erkennungsgenauigkeit im Vergleich zum Basismodell verbessert, während die Anzahl der Parameter reduziert wurde, was es für die Aufgabe des autonomen Fahrens besser geeignet macht.

autonomes Fahren; Zielverfolgung; YOLOv8s; Efficient Multi-scale Attention; Wise-IoU