Diante do problema do comprometimento mútuo entre a precisão da detecção e o custo do sistema em algoritmos de detecção de objetos em múltiplas escalas de imagens, foi proposto um algoritmo de detecção de objetos leve e de alta precisão baseado na estrutura YOLO. Sob a estrutura YOLO, com base na rede MobileNetv3, foram aprimorados o subamostragem e o mecanismo de atenção por canais para extrair características do objeto com precisão, reduzindo custos desnecessários. Foi projetada uma pirâmide de características e uma estrutura de fusão sem cabeça de estágio único, construindo diferentes campos receptivos para obter informações em diferentes escalas, fortalecendo a adaptabilidade do algoritmo a objetos multicamadas. Ao mesmo tempo, SIOU foi usado como perda de regressão e Soft-NMS para tratamento de caixas redundantes, melhorando a precisão do algoritmo. Resultados experimentais nos conjuntos de dados MS COCO e UA-DETRAC de monitoramento de tráfego mostraram que o algoritmo aprimorado proposto neste artigo, comparado ao YOLOXs original, reduziu o número de parâmetros do modelo e a carga computacional em 64,98% e 57,14%, respectivamente, sem reduzir a precisão; no conjunto de dados UA-DETRAC, o mAP@0.5 alcançou 70,5%, aumento de 3,52%, e o FPS aumentou 14,4%. O algoritmo aprimorado reduziu significativamente o custo do sistema, aumentou a precisão e garantiu efetivamente o desempenho duplo da detecção.

Detecção de objetos;YOLOXs;Mecanismo de atenção;Leve;SIOU;Soft-NMS