Face aux problèmes actuels des algorithmes de détection de la fatigue du conducteur, tels que la complexité du processus de détection, le grand nombre de paramètres, la faible précision et la lenteur de fonctionnement, un modèle léger basé sur une version améliorée de YOLOv8n-Pose a été proposé. Ce modèle optimise la structure du YOLOv8n-Pose. Tout d'abord, dans le réseau principal du modèle, une convolution Ghost a été introduite afin de réduire le nombre de paramètres et les calculs inutiles. Ensuite, un Slim-neck a été intégré pour fusionner les caractéristiques de différentes tailles extraites par le réseau principal, accélérant ainsi les calculs de prédiction du réseau. Par ailleurs, un module d'attention sensible aux occlusions (SEAM) a été ajouté au réseau du cou, mettant en avant la zone du visage dans l'image et atténuant l'arrière-plan, améliorant ainsi la localisation des points clés. Enfin, une structure GNSC-Head a été proposée dans la tête de détection, introduisant des convolutions partagées et optimisant la couche BN traditionnelle en une couche GN plus stable, économisant efficacement l'espace des paramètres et les ressources de calcul du modèle. Les résultats expérimentaux montrent que le YOLOv8n-Pose amélioré a augmenté de 0,9% le mAP@0.5 par rapport à l'algorithme d'origine, réduit de 50% le nombre de paramètres et la charge de calcul, augmenté de 8% le FPS, avec un taux final de reconnaissance de la fatigue au volant atteignant 93,5%. Il a été vérifié que l'algorithme proposé maintient une haute précision de détection tout en étant léger, et peut efficacement reconnaître l'état du conducteur, fournissant un support solide pour le déploiement sur les dispositifs périphériques des véhicules.

détection de la fatigue au volant;apprentissage profond;YOLOv8n-Pose;légèreté;mécanisme d'attention