Pour résoudre le problème de faible précision des méthodes actuelles de détection des panneaux de signalisation en cas de petits objets, d'objets flous et d'environnements complexes, cet article propose un modèle amélioré de détection des panneaux de signalisation YOLOv8-NTS afin d'améliorer les performances du modèle dans des environnements de circulation complexes. Le modèle apporte trois améliorations basées sur YOLOv8 : premièrement, un module SlimHAT léger de transformateur à attention mixte a été conçu dans le réseau principal pour renforcer la capacité de modélisation des informations globales de pixels et améliorer la précision de la représentation des caractéristiques ; deuxièmement, un module WT-C2fBlock basé sur WTConv remplace le module C2f d'origine, réduisant de 12,2 % le nombre de paramètres du modèle tout en maintenant la précision de détection ; enfin, une nouvelle tête de détection RFAhead combinant un mécanisme d'attention spatiale et des opérations convolutionnelles a été conçue pour optimiser le processus d'extraction et de fusion des caractéristiques, renforçant davantage la capacité d'expression et la robustesse du modèle vis-à-vis des cibles. Les expériences sur le jeu de données TT100K de panneaux routiers indiquent qu'en comparaison avec le modèle de base YOLOv8, le modèle amélioré YOLOv8-NTS améliore les métriques de précision, de rappel, mAP50 et mAP50~90 de 6,5 %, 5,0 %, 7,3 % et 5,3 % respectivement, démontrant un avantage de performance significatif. Le modèle YOLOv8-NTS proposé peut améliorer de manière significative la précision de détection des panneaux routiers et la capacité de généralisation tout en maintenant un faible coût de calcul, validant ainsi l'efficacité et la valeur pratique de cette méthode et offrant un support technique fiable pour la reconnaissance des panneaux routiers dans des scénarios de trafic intelligent.

Détection des panneaux de signalisation;SlimHAT;WT-C2fBlock;RFAhead;YOLOv8