Devido às limitações de hardware em cenários de condução autônoma, bem como aos fenômenos de múltiplas escalas e oclusão que resultam em baixo desempenho de detecção, este artigo propõe um algoritmo leve de detecção de objetos RT-DETR-light para a tarefa de detecção de veículos. Primeiramente, propõe-se utilizar o módulo CG Block para melhorar o módulo convolucional da rede backbone e, com base nisso, construir uma rede leve de extração de características CGResNet, alcançando um equilíbrio entre velocidade de inferência e precisão de detecção. Na fase de fusão de características, é apresentada a rede piramidal bidirecional de características BiFPN, que melhora a precisão por meio da transmissão bidirecional de informações. Por fim, para tratar a insuficiência da precisão de localização em pequenos alvos e cenários de oclusão na tarefa de detecção de veículos, foi projetada uma função de perda aprimorada EPGIoU, otimizando a estabilidade do gradiente em cenários extremos por meio de um design cooperativo com múltiplas restrições. Os resultados experimentais mostram que o algoritmo proposto atinge mAP@0.5 e precisão de 75,0% e 74,5%, respectivamente, no conjunto de dados UA-DETRAC, com redução de 26,4% e 18,0% na quantidade de parâmetros e no custo computacional em comparação ao algoritmo base, e aumento de 1,4 ponto percentual na velocidade de detecção. A avaliação cruzada no conjunto de dados BDD100K-Sub confirma ainda mais sua capacidade de generalização. O algoritmo proposto apresenta vantagens significativas em precisão de detecção, leveza e velocidade de inferência, oferecendo uma solução superior para detecção em tempo real de veículos e implantação em dispositivos edge em cenários de condução autônoma.

aprendizado profundo;algoritmo RT-DETR;leveza;detecção de veículos