В ответ на существующие проблемы алгоритмов обнаружения объектов для автономного вождения, такие как обнаружение одного или малого количества типов целей, пропуски и ложные срабатывания, в этой статье предложен улучшенный алгоритм обнаружения объектов для автономного вождения на основе YOLOv8s. Алгоритм заменяет часть обычных сверточных слоев в основной сети YOLOv8s на сверточные слои RepConv (пере-параметризация), что повышает способность восприятия объектов при снижении вычислительной сложности и потребления памяти, улучшая эффективность модели. Кроме того, после шейного слоя C2f добавлен механизм эффективного многоуровневого внимания (Efficient Multi-scale Attention, EMA) для повышения внимания к признакам и скорости сходимости модели. Во-вторых, в головную сеть добавлена детектирующая голова P2, улучшающая обнаружение мелких целей. Наконец, используется функция потерь WIoU (Wise-IoU), которая за счет динамического немонотонного механизма фокусировки и стратегии распределения градиентной прибыли улучшает общую производительность детектора. На вручную размеченном датасете Car улучшенная модель достигла mAP50 и mAP (50-95) на уровне 81,2% и 58,4% соответственно, что на 1,5% и 1,2% выше по сравнению с моделью YOLOv8s; точность (Precision, P) и полнота (Recall, R) выросли на 1,9% и 0,8%; количество параметров снизилось с 11,14 млн до 10,87 млн. По сравнению с базовой моделью улучшенная модель повышает точность обнаружения при снижении числа параметров, что делает её более подходящей для задач автономного вождения.

автономное вождение;обнаружение объектов;YOLOv8s;EMA;Wise-IoU