Para resolver el problema de baja precisión en los métodos actuales de detección de señales de tráfico en objetivos pequeños, objetivos borrosos y entornos complejos, este artículo propone un modelo mejorado de detección de señales de tráfico YOLOv8-NTS para mejorar el rendimiento del modelo en entornos de tráfico complejos. El modelo se basa en YOLOv8 y presenta tres mejoras: primero, se diseñó un módulo transformador de atención híbrida ligera SlimHAT en la red backbone para mejorar la capacidad de modelar la información global de píxeles y aumentar la precisión de la representación de características; segundo, se diseñó un módulo WT-C2fBlock basado en WTConv para reemplazar el módulo C2f original, reduciendo el número de parámetros del modelo en un 12.2% mientras se mantiene la precisión de detección; finalmente, se diseñó una nueva cabeza de detección RFAhead que combina el mecanismo de atención espacial con operaciones convolucionales para optimizar el proceso de extracción y fusión de características, mejorando aún más la capacidad del modelo para la expresión y robustez del objetivo. Los experimentos en el conjunto de datos de señales de tráfico TT100K demuestran que, en comparación con el modelo base YOLOv8, el modelo mejorado YOLOv8-NTS mejora la precisión, recuperación, mAP50 y mAP50~90 en un 6.5%, 5.0%, 7.3% y 5.3% respectivamente, mostrando ventajas de rendimiento significativas. El modelo YOLOv8-NTS propuesto puede mejorar significativamente la precisión de detección de señales de tráfico y la capacidad de generalización manteniendo un bajo costo computacional, validando la eficacia y el valor práctico de este método y proporcionando soporte técnico confiable para el reconocimiento de señales de tráfico en escenarios de tráfico inteligente.

Detección de señales de tráfico;SlimHAT;WT-C2fBlock;RFAhead;YOLOv8