Para resolver el problema de la baja precisión de detección causada por el pequeño tamaño de los objetivos de señales de tráfico en escenarios de conducción autónoma, que además son fácilmente interferidos por el entorno, así como las limitaciones de la potencia computacional y el consumo de energía de la plataforma a bordo, lo que dificulta el soporte de modelos complejos, este artículo propone un algoritmo de detección ligero mejorado llamado YOLO-DyMiF (Dynamic Mixer and Feature Fusion). Este modelo se basa en YOLOv10n con dos mejoras: primero, el diseño de un mezclador dinámico eficiente basado en convolución eficiente adaptativa (Adaptive Efficient Conv, AEConv) embebido en el módulo C3k2 para construir el módulo C3k2_EDMS, reemplazando el módulo C2f en el modelo YOLOv10n, que comprime eficazmente la escala de parámetros mientras mantiene la capacidad de expresión de características de la red principal; segundo, el diseño de una red de cuello de fusión dinámica de características centrada en un módulo de mejora espacial jerárquica multiescala (Hierarchical Multi-scale Spatial Enhancement, HMSE), que mejora la representación de características multiescala mediante la interacción entre capas y la fusión ponderada adaptativa, mejorando la precisión en la detección de señales de tráfico pequeñas sin sacrificar el rendimiento en detección de objetivos medianos y grandes. Los resultados experimentales en el conjunto de datos TT100K muestran que el algoritmo YOLO-DyMiF mejora el mAP50 en un 1% en comparación con el actual líder Mamba-YOLOt, reduce la cantidad de parámetros del modelo en un 58.3% y el costo computacional en un 42.3%. El modelo propuesto puede reducir significativamente el costo computacional asegurando al mismo tiempo una alta precisión de detección, ofreciendo un soporte técnico confiable para la detección de señales de tráfico en escenarios de conducción autónoma.

detección de objetos; señales de tráfico; conducción autónoma; objetos multiescala; computación perimetral