Face aux contraintes matérielles dans les scénarios de conduite autonome ainsi qu’aux phénomènes de multi-échelle et d’occultation entraînant de mauvaises performances de détection, cet article propose un algorithme léger de détection d’objets RT-DETR-light pour la tâche de détection de véhicules. Tout d’abord, l’utilisation du module CG Block est proposée pour améliorer le module de convolution du réseau backbone, et sur cette base, un réseau léger d’extraction de caractéristiques CGResNet a été construit afin d’équilibrer la vitesse d’inférence et la précision de détection. Lors de la phase de fusion des caractéristiques, un réseau pyramidal bidirectionnel BiFPN est introduit, améliorant la précision grâce à la transmission bidirectionnelle d’informations. Enfin, pour pallier les problèmes de précision de localisation des petits objets et des scénarios d’occultation dans la détection des véhicules, une fonction de perte améliorée EPGIoU a été conçue, optimisant la stabilité du gradient dans les scénarios extrêmes grâce à une conception collaborative multi-contrainte. Les résultats expérimentaux montrent que l’algorithme proposé atteint un mAP@0.5 et une précision de 75,0% et 74,5% respectivement sur le jeu de données UA-DETRAC, avec une réduction des paramètres et de la charge de calcul de 26,4% et 18,0% par rapport à l’algorithme de référence, et une amélioration de la vitesse de détection de 1,4 point de pourcentage. L’évaluation inter-dataset sur le BDD100K-Sub confirme davantage sa capacité de généralisation. L’algorithme proposé présente des avantages significatifs en termes de précision de détection, de légèreté et de vitesse d’inférence, offrant une meilleure solution pour la détection de véhicules en temps réel et le déploiement sur dispositifs edge dans les scénarios de conduite autonome.

apprentissage profond;algorithme RT-DETR;légéreté;détection de véhicules