Um das Problem der niedrigen Erkennungsgenauigkeit aktueller Verkehrsschild-Erkennungsmethoden bei kleinen Zielen, unscharfen Objekten und komplexen Umgebungen zu lösen, schlägt dieser Artikel ein verbessertes Verkehrsschild-Erkennungsmodell YOLOv8-NTS vor, um die Erkennungsleistung des Modells in komplexen Verkehrsbedingungen zu erhöhen. Das Modell wurde auf Basis von YOLOv8 in drei Bereichen verbessert: Erstens wurde im Rückgratnetzwerk ein leichter hybrider Aufmerksamkeits-Transformermodul SlimHAT entwickelt, um die Modellierungsfähigkeit globaler Pixelinformationen zu stärken und die Genauigkeit der Merkmalsdarstellung zu verbessern; zweitens wurde ein auf WTConv basierendes WT-C2fBlock-Modul entwickelt, das das ursprüngliche C2f-Modul ersetzt und die Modellparameter um 12,2 % reduziert, während die Erkennungsgenauigkeit erhalten bleibt; schließlich wurde ein neuer Detektionskopf RFAhead entworfen, der den räumlichen Aufmerksamkeitsmechanismus mit Faltungsoperationen kombiniert, um den Merkmalsextraktions- und Fusionsprozess zu optimieren und die Ausdrucksfähigkeit und Robustheit des Modells weiter zu verbessern. Experimente auf dem Verkehrsschild-Datensatz TT100K zeigen, dass das verbesserte YOLOv8-NTS-Modell die Genauigkeit, den Rückruf, mAP50 und mAP50~90 im Vergleich zum Basismodell YOLOv8 um 6,5 %, 5,0 %, 7,3 % bzw. 5,3 % verbessert, was einen signifikanten Leistungsvorteil zeigt. Das vorgeschlagene YOLOv8-NTS-Modell kann die Erkennungsgenauigkeit und Generalisierungsfähigkeit der Verkehrsschilderkennung bei gleichzeitiger Beibehaltung niedriger Rechenkosten erheblich verbessern, was die Wirksamkeit und den praktischen Wert dieser Methode bestätigt und eine zuverlässige technische Unterstützung für die Verkehrsschilderkennung in intelligenten Verkehrsszenarien bietet.

Verkehrsschild-Erkennung;SlimHAT;WT-C2fBlock;RFAhead;YOLOv8