В связи с аппаратными ограничениями в сценариях автономного вождения, а также проблемами множественных масштабов и затенения, приводящими к снижению качества обнаружения, в данной работе предложен легковесный алгоритм детекции объектов RT-DETR-light для задачи обнаружения транспортных средств. Во-первых, предложено использовать модуль CG Block для улучшения сверточных модулей базовой сети и на этой основе построена легковесная сеть извлечения признаков CGResNet, обеспечивающая баланс между скоростью вывода и точностью детекции. На этапе слияния признаков введена двунаправленная многоуровневая сеть BiFPN, обеспечивающая повышение точности за счет двусторонней передачи информации. Наконец, для решения проблемы низкой точности локализации мелких объектов и объектов в условиях затенения при обнаружении транспортных средств разработана улучшенная функция потерь EPGIoU, оптимизирующая устойчивость градиентов в экстремальных сценариях посредством многократных ограничений совместного дизайна. Экспериментальные результаты показывают, что предложенный алгоритм достигает mAP@0.5 и точности 75.0% и 74.5% соответственно на наборе данных UA-DETRAC, при этом количество параметров и вычислительных операций снижено на 26.4% и 18.0% по сравнению с базовой моделью, а скорость обнаружения увеличена на 1.4 процентных пункта. Добавочная оценка на подмножестве BDD100K-Sub подтверждает его способность к обобщению. Предложенный алгоритм демонстрирует значительные преимущества в точности детекции, легковесности и скорости вывода, обеспечивая более эффективное решение для реального времени обнаружения транспортных средств и развертывания на периферийных устройствах в сценариях автономного вождения.

глубокое обучение;алгоритм RT-DETR;легковесный;обнаружение транспортных средств