Pour résoudre le problème de la petite taille des panneaux de signalisation dans les scénarios de conduite autonome, leur sensibilité aux perturbations de l’environnement entraînant une faible précision de détection, ainsi que les limitations de la puissance de calcul et de la consommation d’énergie des plateformes embarquées qui rendent difficile le support de modèles complexes, cet article propose un algorithme de détection léger amélioré appelé YOLO-DyMiF (Mélangeur Dynamique et Fusion de Caractéristiques). Le modèle est basé sur YOLOv10n avec deux améliorations : premièrement, la conception d’une structure mélangeuse dynamique efficace (EDMS) basée sur une convolution efficace adaptative (AEConv), intégrée dans le module C3k2 pour constituer le module C3k2_EDMS, remplaçant le module C2f dans YOLOv10n, comprimant efficacement la taille des paramètres tout en maintenant la capacité d’expression des caractéristiques du réseau principal ; deuxièmement, la conception d’un cou dynamique de fusion de caractéristiques centrée sur un module d’amélioration spatiale hiérarchique multi-échelle (HMSE), qui améliore la capacité de représentation des caractéristiques multi-échelles par interaction entre couches et fusion adaptative pondérée, améliorant la précision de détection des petits panneaux tout en maintenant la performance pour les cibles moyennes et grandes. Les résultats expérimentaux sur le dataset TT100K montrent que l’algorithme YOLO-DyMiF augmente le mAP50 de 1% par rapport au Mamba-YOLOt leader actuel, réduit le nombre de paramètres du modèle de 58,3% et la complexité des calculs de 42,3%. Le modèle proposé réduit significativement le coût de calcul tout en assurant une haute précision de détection, offrant un support technique fiable pour la détection des panneaux dans les scénarios de conduite autonome.

Détection d’objets; panneaux de signalisation; conduite autonome; objets multi-échelles; edge computing