Face aux problèmes actuels des algorithmes de détection d'objets en conduite autonome, notamment la détection d'un nombre limité de types d'objets, les omissions et les erreurs, cet article propose un algorithme de détection d'objets pour la conduite autonome amélioré basé sur YOLOv8s. Cet algorithme remplace certaines convolutions ordinaires dans le réseau principal de YOLOv8s par des convolutions RepConv (convolutions de re-paramétrisation), améliorant la capacité de perception des objets tout en réduisant la complexité computationnelle et la consommation mémoire, augmentant ainsi l'efficacité du modèle. De plus, un mécanisme d'attention multi-échelle efficace (Efficient Multi-scale Attention, EMA) est ajouté après le réseau de cou C2f pour améliorer l'attention aux caractéristiques et la vitesse de convergence du modèle. Ensuite, une tête de détection P2 est ajoutée à la tête du réseau pour renforcer la capacité de détection des petits objets. Enfin, la fonction de perte WIoU (Wise-IoU) est utilisée, qui améliore la performance globale du détecteur grâce à un mécanisme dynamique de focalisation non monotone et une stratégie d'attribution de gain de gradient. Sur le jeu de données Car annoté manuellement, le modèle amélioré atteint des mAP50 et mAP (50-95) de 81,2% et 58,4% respectivement, soit une augmentation de 1,5% et 1,2% par rapport au modèle YOLOv8s; la précision (Precision, P) et le rappel (Recall, R) augmentent de 1,9% et 0,8%; le nombre de paramètres est réduit de 11,14M à 10,87M. Par rapport au modèle de base, le modèle amélioré augmente la précision de détection tout en réduisant le nombre de paramètres, le rendant plus adapté aux tâches de conduite autonome.

conduite autonome;détection d'objets;YOLOv8s;EMA;Wise-IoU