Для решения проблемы малого размера объектов дорожных знаков в сценариях автономного вождения, их уязвимости к помехам окружающей среды, что приводит к низкой точности обнаружения, а также ограниченной вычислительной мощности и энергопотреблению бортовых платформ, что затрудняет поддержку сложных моделей, в данной статье предложен улучшенный облегчённый алгоритм обнаружения YOLO-DyMiF (Динамический миксер и слияние признаков). Модель основана на YOLOv10n и включает два улучшения: во-первых, разработана эффективная динамическая структура миксера (EDMS) на основе адаптивной эффективной свёртки (AEConv), встроенная в модуль C3k2 для создания модуля C3k2_EDMS, заменяющего модуль C2f в модели YOLOv10n при сохранении способности выражения признаков основной сети и эффективном сжатии параметров; во-вторых, разработана динамическая сеть слияния признаков на основе иерархического многомасштабного пространственного усиления (HMSE), которая с помощью межслойного взаимодействия и адаптивного взвешенного слияния усиливает представление многомасштабных признаков, повышая точность обнаружения мелких дорожных знаков при сохранении производительности по средним и крупным целям. Экспериментальные результаты на наборе данных TT100K показывают, что алгоритм YOLO-DyMiF повышает mAP50 на 1% по сравнению с современным лидером Mamba-YOLOt, сокращая количество параметров модели на 58,3% и вычислительные затраты на 42,3%. Предложенная модель значительно снижает вычислительные расходы при обеспечении высокой точности обнаружения и может предоставить надежную техническую поддержку для обнаружения дорожных знаков в сценариях автономного вождения.

Обнаружение объектов; дорожные знаки; автономное вождение; многомасштабные объекты; пограничные вычисления