Frente al problema de la compensación entre la precisión de detección y el costo del sistema en los algoritmos de detección de objetos multiescala en imágenes, se propone un algoritmo de detección de objetos de alta precisión y ligero basado en el marco YOLO. Dentro del marco YOLO, basado en la red MobileNetv3, se mejoraron el submuestreo y el mecanismo de atención por canales para extraer características precisas de los objetos y reducir costos innecesarios. Se diseñaron una pirámide de características y una estructura de fusión en una sola etapa sin cabeza para construir diferentes campos receptivos con el fin de obtener información a diferentes escalas, mejorando la adaptabilidad del algoritmo a objetivos multiescala. Al mismo tiempo, se usan SIOU como pérdida de regresión y Soft-NMS para el manejo de cajas redundantes, lo que aumenta la precisión del algoritmo. Los resultados experimentales en los conjuntos de datos MS COCO y UA-DETRAC para vigilancia del tráfico muestran que el algoritmo mejorado propuesto en este artículo, en comparación con el YOLOXs original, reduce el número de parámetros del modelo y la carga computacional en un 64.98% y 57.14% respectivamente sin perder precisión; en el conjunto de datos UA-DETRAC, el mAP@0.5 alcanzó el 70.5%, mejorando en 3.52%, y el FPS aumentó en un 14.4%. El algoritmo mejorado reduce significativamente la carga del sistema, mejora la precisión y garantiza eficazmente el rendimiento doble de la detección.

Detección de objetos;YOLOXs;Mecanismo de atención;Ligero;SIOU;Soft-NMS