Angesichts der aktuell bestehenden Probleme bei Algorithmen zur Objekterkennung im autonomen Fahren, wie der Erkennung von nur wenigen oder einzelnen Objektarten, falschen Detektionen und Auslassungen, wird in diesem Artikel ein verbesserter Objekterkennungsalgorithmus für autonomes Fahren auf Basis von YOLOv8s vorgeschlagen. Der Algorithmus ersetzt einige normale Faltungsschichten im Backbone-Netzwerk von YOLOv8s durch RepConv (Re-parameterization Convolution) Schichten, um die Objekterkennungsfähigkeit zu erhöhen und gleichzeitig die Rechenkomplexität und den Speicherverbrauch zu reduzieren und somit die Modelleffizienz zu steigern. Zusätzlich wird nach dem Nacken-Netzwerk C2f ein effizientes Mehrskaliges Aufmerksamkeitsmechanismus (Efficient Multi-scale Attention, EMA) hinzugefügt, um die Merkmalserkennung und die Konvergenzgeschwindigkeit des Modells zu verbessern. Zweitens wird am Kopf des Netzwerks ein P2-Erkennungskopf hinzugefügt, um die Erkennung kleiner Objekte zu verbessern. Schließlich wird die WIoU (Wise-IoU) Verlustfunktion verwendet, die durch einen dynamischen nicht-monotonen Fokussierungsmechanismus und eine Strategie zur Verteilung der Gradientenverstärkung die Gesamtleistung des Detektors verbessert. Auf dem manuell annotierten Car-Datensatz erreichte das verbesserte Modell mAP50 und mAP (50-95) von 81,2% bzw. 58,4%, was eine Steigerung um 1,5% bzw. 1,2% gegenüber dem YOLOv8s-Modell darstellt; Präzision (Precision, P) und Rückruf (Recall, R) stiegen um 1,9% bzw. 0,8%; die Parameterzahl wurde von 11,14M auf 10,87M reduziert. Im Vergleich zum Basismodell verbessert das verbesserte Modell die Genauigkeit bei gleichzeitiger Reduzierung der Parameteranzahl, was es besser für Aufgaben im autonomen Fahren geeignet macht.

autonomes Fahren;Objekterkennung;YOLOv8s;EMA;Wise-IoU