Для решения проблемы низкой точности обнаружения из-за малого объема объектов дорожных знаков и их подверженности помехам окружающей среды в сценариях автономного вождения, а также ограничений вычислительной мощности и энергопотребления автомобильной платформы, затрудняющих использование сложных моделей, в данной статье предложен улучшенный облегчённый алгоритм обнаружения YOLO-DyMiF (Dynamic Mixer and Feature Fusion). Модель построена на основе YOLOv10n с двумя улучшениями: во-первых, разработан эффективный динамический миксер на основе адаптивной эффективной свёртки (Adaptive Efficient Conv, AEConv), внедрённый в модуль C3k2, создавая модуль C3k2_EDMS для замены модуля C2f в модели YOLOv10n, что эффективно сжимает параметры при сохранении способности главной сети к выражению признаков; во-вторых, спроектирована динамическая шейная сеть слияния признаков, основанная на иерархическом многоуровневом пространственном усиливающем модуле (Hierarchical Multi-scale Spatial Enhancement, HMSE), который улучшает представление многомасштабных признаков через взаимодействие между слоями и адаптивное взвешенное слияние, одновременно улучшая точность обнаружения маленьких дорожных знаков без ущерба для показателей обнаружения средних и больших объектов. Эксперименты на датасете TT100K показали, что алгоритм YOLO-DyMiF повысил mAP50 на 1% по сравнению с ведущим в настоящее время Mamba-YOLOt, при этом количество параметров модели снизилось на 58.3%, а вычислительные затраты уменьшились на 42.3%. Предложенная модель способна значительно снизить вычислительные затраты при обеспечении высокой точности обнаружения, предоставляя надежную техническую поддержку для обнаружения дорожных знаков в сценариях автономного вождения.

обнаружение объектов;дорожные знаки;автономное вождение;многоуровневые объекты;пограничные вычисления