Face aux problèmes actuels des algorithmes de détection de la fatigue des conducteurs, tels que la complexité du processus de détection, le grand nombre de paramètres, la faible précision et la lenteur du traitement, un modèle léger basé sur une amélioration de YOLOv8n-Pose a été proposé. Ce modèle a optimisé la structure de YOLOv8n-Pose, tout d'abord, dans le réseau principal du modèle, une convolution fantôme améliorée a été introduite pour réduire le nombre de paramètres du modèle et les calculs de convolutions inutiles. Deuxièmement, un réseau Slim-neck a été introduit pour fusionner les caractéristiques de tailles différentes extraites par le réseau principal, accélérant le calcul des prédictions du réseau. En même temps, un module d'attention à l'occlusion (SEAM) a été ajouté dans le réseau cervical, mettant l'accent sur la zone du visage dans l'image et atténuant l'arrière-plan, améliorant la précision de localisation des points clés. Enfin, une structure GNSC-Head a été proposée dans la partie de détection de la tête, combinant des convolutions partagées et optimisant la couche BN des convolutions traditionnelles en une couche GN plus stable, ce qui économise efficacement l'espace des paramètres du modèle et des ressources de calcul. Les résultats des expériences ont montré que l'YOLOv8n-Pose amélioré par rapport à l'algorithme d'origine a augmenté de 0,9% en mAP@0.5, réduit de 50% le nombre de paramètres et de calculs, augmenté de 8% le FPS, et le taux de détection de la fatigue au volant final peut atteindre 93,5%. Il a été vérifié que l'algorithme de cet article peut maintenir une précision de détection élevée tout en préservant le poids et reconnaître efficacement l'état du conducteur, fournissant un soutien solide au déploiement des équipements embarqués dans les véhicules.

fatigue driving detection;deep learning;yolov8n-pose;light weight;attention mechanism