Para resolver o problema da baixa precisão na detecção de sinais de trânsito em cenários de direção autônoma, devido ao pequeno volume dos alvos e à fácil interferência do ambiente, bem como as limitações de capacidade computacional e consumo de energia da plataforma embarcada, que dificultam o suporte a modelos complexos, este artigo propõe um algoritmo de detecção leve aprimorado denominado YOLO-DyMiF (Dynamic Mixer and Feature Fusion). O modelo baseia-se no YOLOv10n com duas melhorias: primeiro, o design de um mixer dinâmico eficiente baseado em convolução eficiente adaptativa (Adaptive Efficient Conv, AEConv), incorporado no módulo C3k2 para formar o módulo C3k2_EDMS, substituindo o módulo C2f do modelo YOLOv10n, comprimindo efetivamente a escala dos parâmetros enquanto mantém a capacidade de expressão de características do backbone; segundo, o design de uma rede de pescoço de fusão dinâmica de características centrada no módulo Hierarchical Multi-scale Spatial Enhancement (HMSE), que aprimora a representação de características em múltiplas escalas por meio da interação entre camadas e fusão ponderada adaptativa, melhorando a precisão na detecção de sinais de trânsito pequenos, ao mesmo tempo que mantém o desempenho na detecção de objetos médios e grandes. Os resultados experimentais no conjunto de dados TT100K mostram que o algoritmo YOLO-DyMiF melhora o mAP50 em 1% em comparação com o atual líder Mamba-YOLOt, reduz o número de parâmetros do modelo em 58,3% e o custo computacional em 42,3%. O modelo proposto pode reduzir significativamente o custo computacional ao mesmo tempo em que garante alta precisão na detecção, oferecendo suporte técnico confiável para a detecção de sinais de trânsito em cenários de direção autônoma.

detecção de objetos;sinais de trânsito;direção autônoma;objetos multiescala;computação de borda