Для решения текущих проблем с алгоритмом обнаружения целей автономного вождения, включая одиночное или небольшое количество целей, обнаружение и пропуск целей, в данной работе представлен новый алгоритм обнаружения целей автономного вождения, основанный на улучшенной версии YOLOv8s.Путем замены некоторых обычных сверток в основной сети YOLOv8s на свертки Re-parameterization Conv (RepConv), мы можем повысить способность восприятия целей, в то же время уменьшив вычислительную сложность и потребление памяти, улучшив эффективность модели.Кроме того, за воротником сети C2f добавлена эффективная многомасштабная механизм внимания (EMA), позволяющая улучшить фокусировку признаков и сходимость модели.Затем к сети добавлена голова обнаружения P2, чтобы усилить способность обнаружения малых целей.Наконец, используется функция потерь Wise-IoU (WIoU), позволяющая улучшить производительность детектора в целом через динамический немонотонный механизм фокусировки и стратегию распределения усиления градиента.На руководимом наборе данных Car, улучшенная модель достигает 81,2% и 58,4% по mAP50 и mAP50-95 соответственно, увеличив 1,5% и 1,2% по сравнению с моделью YOLOv8s, увеличивая точность и отзыв соответственно на 1,9% и 0,8%, сократив количество параметров с 11,14 M до 10,87 M. Улучшенная модель по сравнению с базовой моделью повысила точность обнаружения, сократив количество параметров, что делает ее более подходящей для задач автономного вождения.

автономное вождение; обнаружение целей; YOLOv8s; эффективное многомасштабное внимание; мудрость-IoU