Ante los problemas actuales de los algoritmos de detección de objetivos en conducción autónoma, como la detección de uno o pocos tipos de objetivos, las omisiones y los errores, este artículo propone un algoritmo de detección de objetivos para conducción autónoma mejorado basado en YOLOv8s. Este algoritmo reemplaza algunas convoluciones normales en la red principal de YOLOv8s por convoluciones RepConv (Convolución de Reparametrización), mejorando la capacidad de percepción de objetivos mientras reduce la complejidad computacional y el consumo de memoria, aumentando la eficiencia del modelo. Además, se añade un mecanismo de atención multiescala eficiente (Efficient Multi-scale Attention, EMA) después de la red del cuello C2f para mejorar el enfoque en las características y la velocidad de convergencia del modelo. En segundo lugar, se añade una cabeza de detección P2 en la cabeza de la red para fortalecer la capacidad de detectar objetivos pequeños. Finalmente, se emplea la función de pérdida WIoU (Wise-IoU), que mejora el rendimiento general del detector a través de un mecanismo dinámico de enfoque no monótono y una estrategia de asignación de ganancia de gradiente. En el conjunto de datos Car anotado manualmente, el modelo mejorado logra mAP50 y mAP (50-95) de 81.2% y 58.4% respectivamente, mejorando 1.5% y 1.2% respectivamente en comparación con el modelo YOLOv8s; la precisión (Precision, P) y la tasa de recuperación (Recall, R) mejoraron 1.9% y 0.8%; el número de parámetros se redujo de 11.14M a 10.87M. En comparación con el modelo base, el modelo mejorado aumenta la precisión de detección mientras reduce el número de parámetros, haciéndolo más adecuado para tareas de conducción autónoma.

conducción autónoma;detección de objetivos;YOLOv8s;EMA;Wise-IoU