Face au problème du compromis entre la précision de détection et le coût système dans les algorithmes de détection d'objets multi-échelles d'images, un algorithme de détection d'objets léger et haute précision basé sur le cadre YOLO est proposé. Dans le cadre YOLO, en se basant sur le réseau MobileNetv3, le sous-échantillonnage et le mécanisme d'attention par canal ont été améliorés pour extraire précisément les caractéristiques des objets tout en réduisant les coûts inutiles. Une structure à base de pyramide de caractéristiques et de fusion monostade sans tête a été conçue pour construire différents champs récepteurs permettant d'obtenir des informations à différentes échelles, renforçant ainsi l'adaptabilité de l'algorithme aux objets multi-échelles. Parallèlement, SIOU a été utilisé comme perte de régression et Soft-NMS pour le traitement des boîtes redondantes, ce qui a amélioré la précision de l'algorithme. Les résultats expérimentaux sur les ensembles de données MS COCO et UA-DETRAC pour la surveillance du trafic ont montré que l'algorithme amélioré proposé dans cet article, par rapport à YOLOXs original, a réduit respectivement le nombre de paramètres du modèle et la complexité de calcul de 64,98% et 57,14% sans perte de précision; sur le jeu de données UA-DETRAC, le mAP@0.5 a atteint 70,5%, une amélioration de 3,52%, avec une augmentation de 14,4% du FPS. L'algorithme amélioré a considérablement réduit le coût système, amélioré la précision et assuré efficacement les performances doubles de détection.

Détection d'objets;YOLOXs;Mécanisme d'attention;Léger;SIOU;Soft-NMS