Face aux contraintes matérielles dans les scénarios de conduite autonome ainsi qu’aux problèmes liés à la multi-échelle et aux occultations qui dégradent les 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 pour améliorer les modules convolutionnels du réseau de base est proposée, et sur cette base, un réseau léger d'extraction de caractéristiques CGResNet est construit, réalisant un équilibre entre la vitesse d'inférence et la précision de détection. Lors de la phase de fusion des caractéristiques, un réseau pyramidal bidirectionnel BiFPN est introduit pour améliorer la précision grâce à une transmission bidirectionnelle de l'information. Enfin, pour remédier à la faible précision de positionnement des petits objets et aux scènes d’occultation dans la détection des véhicules, une fonction de perte améliorée EPGIoU est conçue, optimisant la stabilité du gradient dans les scénarios extrêmes par une conception coopérative multi-contrainte. Les résultats expérimentaux montrent que l’algorithme atteint des mAP@0.5 et précision de 75,0 % et 74,5 % sur le jeu de données UA-DETRAC, avec une réduction de 26,4 % et 18,0 % des paramètres et calculs par rapport à l’algorithme de base, et une vitesse de détection améliorée de 1,4 points de pourcentage. L’évaluation croisée sur le jeu de données BDD100K-Sub confirme en outre sa capacité de généralisation. L’algorithme proposé obtient des avantages significatifs en précision de détection, légèreté et vitesse d’inférence, avec une bonne capacité de généralisation, offrant une meilleure solution pour la détection en temps réel des véhicules dans les scénarios de conduite autonome et le déploiement sur équipements en périphérie.

apprentissage profond;algorithme RT-DETR;légèreté;détection d’objets véhicules