Pour résoudre le problème de la faible précision de détection des panneaux de signalisation dans les cas de petits objets, d'objets flous et d'environnements complexes, cet article propose un modèle amélioré de détection de panneaux de signalisation YOLOv8-NTS afin d'améliorer les performances du modèle dans des environnements de circulation complexes. Le modèle a été amélioré sur la base de YOLOv8 selon trois aspects : d'abord, un module de transformateur d'attention hybride allégé SlimHAT a été conçu dans le réseau de base pour renforcer la modélisation de l'information globale des pixels et améliorer la précision de la représentation des caractéristiques ; ensuite, un module WT-C2fBlock basé sur WTConv a été conçu pour remplacer le module C2f original, réduisant le nombre de paramètres du modèle de 12,2 % tout en maintenant la précision de détection ; enfin, une nouvelle tête de détection RFAhead combinant le mécanisme d'attention spatiale et les opérations convolutives a été conçue pour optimiser l'extraction et la fusion des caractéristiques, renforçant davantage la capacité expressive et la robustesse du modèle. Les expériences sur le jeu de données de panneaux de signalisation TT100K montrent que le modèle amélioré YOLOv8-NTS améliore la précision, le rappel, le mAP50 et le mAP50~90 de 6,5 %, 5,0 %, 7,3 % et 5,3 % respectivement par rapport au modèle de base YOLOv8, démontrant un avantage de performance significatif. Le modèle YOLOv8-NTS proposé peut améliorer considérablement la précision de détection et la capacité de généralisation des panneaux de signalisation tout en maintenant un faible coût de calcul, validant ainsi l'efficacité et la valeur pratique de cette méthode et fournissant un soutien technique fiable pour la reconnaissance des panneaux dans des scénarios de trafic intelligent.

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