Pour résoudre le problème de la faible précision de détection causée par la petite taille des cibles des panneaux de signalisation dans les scénarios de conduite autonome, ainsi que par les interférences environnementales, et la difficulté de prise en charge des modèles complexes en raison des limites de calcul et de consommation d'énergie des plateformes embarquées, cet article propose un algorithme de détection léger amélioré, YOLO-DyMiF (Dynamic Mixer and Feature Fusion). Ce modèle s’appuie sur YOLOv10n avec deux améliorations : premièrement, la conception d’un mélangeur dynamique efficace basé sur une convolution adaptative efficace (Adaptive Efficient Conv, AEConv) intégré dans le module C3k2 pour construire le module C3k2_EDMS, remplaçant le module C2f du modèle YOLOv10n, ce qui compresse efficacement l’échelle des paramètres tout en maintenant la capacité d’expression des caractéristiques du réseau principal ; deuxièmement, la conception d’un réseau de fusion de caractéristiques dynamique du cou centré sur un module d'amélioration spatiale hiérarchique multi-échelle (Hierarchical Multi-scale Spatial Enhancement, HMSE), qui renforce la représentation multi-échelle des caractéristiques grâce à une interaction multi-couches et une fusion pondérée adaptative, améliorant la précision de détection des petits panneaux sans compromettre la performance de détection des 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 actuellement leader, réduit la taille des paramètres du modèle de 58,3 % et la charge de calcul de 42,3 %. Le modèle proposé permet de réduire considérablement le coût de calcul tout en assurant une haute précision de détection, fournissant un support technique fiable pour la détection des panneaux de signalisation dans les scénarios de conduite autonome.

détection d'objets; panneaux de signalisation; conduite autonome; objets multi-échelle; edge computing