Для решения проблемы низкой точности обнаружения дорожных знаков в случаях мелких объектов, размытых целей и сложных условий, в данной работе предложена улучшенная модель обнаружения дорожных знаков YOLOv8-NTS для повышения производительности модели в сложных дорожных условиях. Модель была улучшена на основе YOLOv8 в трех аспектах: во-первых, в основной сети был разработан облегченный модуль гибридного трансформера внимания SlimHAT для усиления возможности моделирования глобальной информации пикселей и повышения точности представления признаков; во-вторых, был разработан модуль WT-C2fBlock на основе WTConv, заменяющий исходный модуль C2f, что позволило снизить количество параметров модели на 12,2% при сохранении точности обнаружения; наконец, был разработан новый детекторный блок RFAhead, сочетающий пространственный механизм внимания и сверточные операции для оптимизации процесса извлечения и объединения признаков, что дополнительно усилило выразительность и робастность модели. Эксперименты на наборе данных дорожных знаков TT100K показали, что улучшенная модель YOLOv8-NTS превосходит базовую YOLOv8 по точности, полноте, mAP50 и mAP50~90 на 6,5%, 5,0%, 7,3% и 5,3% соответственно, демонстрируя значительные преимущества в производительности. Предложенная модель YOLOv8-NTS может существенно повысить точность и обобщающую способность обнаружения дорожных знаков при сохранении низких вычислительных затрат, что подтверждает эффективность и практическую ценность данного подхода, а также обеспечивает надежную техническую поддержку для распознавания дорожных знаков в интеллектуальных транспортных системах.

обнаружение дорожных знаков;SlimHAT;WT-C2fBlock;RFAhead;YOLOv8