Para resolver o problema da baixa precisão dos métodos atuais de detecção de sinais de trânsito em pequenos alvos, alvos borrados e ambientes complexos, este artigo propõe um modelo de detecção de sinais de trânsito aprimorado, YOLOv8-NTS, para melhorar o desempenho do modelo em ambientes de tráfego complexos. O modelo realizou três melhorias baseadas no YOLOv8: primeiro, projetou-se um módulo de transformador de atenção híbrido leve chamado SlimHAT na rede backbone para aprimorar a capacidade de modelagem das informações globais de pixels e melhorar a precisão da representação de características; em segundo lugar, projetou-se um módulo WT-C2fBlock baseado em WTConv para substituir o módulo C2f original, reduzindo em 12,2% a quantidade de parâmetros do modelo enquanto mantém a precisão da detecção; por último, projetou-se uma nova cabeça de detecção RFAhead, que combina mecanismo de atenção espacial com operações convolucionais, otimizando o processo de extração e fusão de características, reforçando ainda mais a capacidade expressiva e a robustez do modelo. Os experimentos no conjunto de dados de sinais de trânsito TT100K mostraram que o modelo aprimorado YOLOv8-NTS melhorou a precisão, recall, mAP50 e mAP50~90 em 6,5%, 5,0%, 7,3% e 5,3%, respectivamente, em comparação com o modelo base YOLOv8, demonstrando uma vantagem significativa de desempenho. O modelo proposto YOLOv8-NTS pode melhorar significativamente a precisão da detecção e a capacidade de generalização dos sinais de trânsito, mantendo custos computacionais baixos, validando a eficácia e o valor práticos deste método e fornecendo suporte técnico confiável para o reconhecimento de sinais em cenários de tráfego inteligente.

detecção de sinais de trânsito;SlimHAT;WT-C2fBlock;RFAhead;YOLOv8