Debido a las limitaciones de hardware en escenarios de conducción autónoma, así como a los fenómenos de multiescala y oclusión que causan un rendimiento deficiente en la detección, este artículo propone un algoritmo ligero de detección de objetos RT-DETR-light para la tarea de detección de vehículos. En primer lugar, se propone utilizar el módulo CG Block para mejorar el módulo convolucional de la red backbone, y sobre esta base se construyó una red ligera de extracción de características CGResNet que equilibra la velocidad de inferencia y la precisión de la detección. En la fase de fusión de características, se introduce una red piramidal bidireccional BiFPN que mejora la precisión a través de la transmisión bidireccional de información. Por último, para abordar el problema de la precisión de localización en objetivos pequeños y escenarios de oclusión en la tarea de detección de vehículos, se diseñó una función de pérdida mejorada EPGIoU que optimiza la estabilidad del gradiente en escenarios extremos mediante un diseño colaborativo con múltiples restricciones. Los resultados experimentales muestran que el algoritmo propuesto alcanza un mAP@0.5 y una precisión de 75.0% y 74.5% respectivamente en el conjunto de datos UA-DETRAC, con una reducción en la cantidad de parámetros y el cómputo del 26.4% y 18.0% en comparación con el algoritmo base, y una mejora en la velocidad de detección del 1.4 puntos porcentuales. La evaluación cruzada con el conjunto BDD100K-Sub confirma aún más su capacidad de generalización. El algoritmo propuesto muestra ventajas significativas en precisión de detección, ligereza y velocidad de inferencia, ofreciendo una mejor solución para la detección en tiempo real de vehículos y el despliegue en dispositivos edge en escenarios de conducción autónoma.

aprendizaje profundo;algoritmo RT-DETR;ligero;detección de vehículos