Para resolver el problema de la baja precisión en la detección de señales de tráfico actuales 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 realizó tres mejoras basadas en YOLOv8: primero, se diseñó un módulo de transformador de atención híbrido ligero SlimHAT en la red base para mejorar la capacidad de modelado de la información global de píxeles y aumentar la precisión de la representación de características; en segundo lugar, se diseñó un módulo WT-C2fBlock basado en WTConv para reemplazar el módulo C2f original, reduciendo la cantidad 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 un mecanismo de atención espacial con operaciones convolucionales para optimizar el proceso de extracción y fusión de características, aumentando aún más la capacidad expresiva y la robustez del modelo. Los experimentos en el conjunto de datos de señales de tráfico TT100K muestran que el modelo mejorado YOLOv8-NTS mejora la precisión, la recuperación, mAP50 y mAP50~90 en un 6,5 %, 5,0 %, 7,3 % y 5,3 % respectivamente en comparación con el modelo base YOLOv8, mostrando una ventaja significativa en rendimiento. El modelo propuesto YOLOv8-NTS puede mejorar significativamente la precisión y la capacidad de generalización de la detección de señales de tráfico mientras mantiene bajos costos computacionales, validando la eficacia y el valor práctico de este método y proporcionando un soporte técnico confiable para el reconocimiento de señales en escenarios de tráfico inteligente.

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