Pour résoudre les problèmes actuels de l'algorithme de détection de cibles pour la conduite autonome, y compris la détection d'un seul ou d'un petit nombre de cibles, la détection de cibles multiples et les fausses détections, cet article présente un nouvel algorithme de détection de cibles pour la conduite autonome basé sur une version améliorée de YOLOv8s.En remplaçant certaines convolutions ordinaires dans le réseau principal de YOLOv8s par des convolutions Re-parameterization Conv (RepConv), nous pouvons améliorer la capacité de perception des cibles tout en réduisant la complexité de calcul et la consommation de mémoire, améliorant ainsi l'efficacité du modèle.De plus, un mécanisme d'attention multi-échelle efficace (EMA) a été ajouté après le réseau du cou C2f, permettant d'améliorer la focalisation des caractéristiques et la vitesse de convergence du modèle.Ensuite, une tête de détection P2 a été ajoutée au réseau pour renforcer la capacité de détection des petites cibles.Enfin, la fonction de perte Wise-IoU (WIoU) est utilisée, permettant d'améliorer les performances globales du détecteur grâce à un mécanisme de focalisation dynamique non monotone et une stratégie de répartition des gains de gradient.Sur l'ensemble de données de voitures annotées manuellement, le modèle amélioré atteint respectivement 81,2% et 58,4% pour mAP50 et mAP50-95, avec une augmentation de 1,5% et 1,2% par rapport au modèle YOLOv8s, avec une augmentation de la précision et du rappel de 1,9% et 0,8%, tout en réduisant le nombre de paramètres de 11,14 M à 10,87 M. Le modèle amélioré par rapport au modèle de référence a augmenté la précision de la détection tout en réduisant le nombre de paramètres, le rendant ainsi plus adapté à la tâche de conduite autonome.

conduite autonome; détection de cibles; YOLOv8s; attention multi-échelle efficace; Wise-IoU