Em resposta aos problemas existentes nos atuais algoritmos de detecção de objetos para condução autônoma, como a detecção de um ou poucos tipos de objetos, faltas e erros de detecção, este artigo propõe um algoritmo melhorado de detecção de objetos para condução autônoma baseado no YOLOv8s. Este algoritmo substitui algumas convoluções comuns na rede backbone do YOLOv8s por convoluções RepConv (Convolução de Reparametrização), melhorando a capacidade de percepção de objetos enquanto reduz a complexidade computacional e o consumo de memória, aumentando a eficiência do modelo. Além disso, um mecanismo eficiente de atenção multiescala (Efficient Multi-scale Attention, EMA) é adicionado após a rede do pescoço C2f para melhorar o foco nas características e a velocidade de convergência do modelo. Em segundo lugar, uma cabeça de detecção P2 é adicionada na cabeça da rede para reforçar a capacidade de detectar objetos pequenos. Finalmente, é adotada a função de perda WIoU (Wise-IoU), que melhora o desempenho geral do detector por meio de um mecanismo dinâmico de foco não monótono e uma estratégia de distribuição de ganho de gradiente. No conjunto de dados Car, anotado manualmente, o modelo melhorado alcançou mAP50 e mAP (50-95) de 81,2% e 58,4%, respectivamente, um aumento de 1,5% e 1,2% em comparação com o modelo YOLOv8s; a precisão (Precision, P) e o recall (Recall, R) aumentaram 1,9% e 0,8%; o número de parâmetros caiu de 11,14M para 10,87M. Em comparação com o modelo base, o modelo melhorado aumenta a precisão da detecção enquanto reduz o número de parâmetros, tornando-o mais adequado para tarefas de condução autônoma.

condução autônoma;detecção de objetos;YOLOv8s;EMA;Wise-IoU