改进YOLOv8的道路交通标志目标检测算法

doi:10.3778/j.issn.1002-8331.2309-0415

摘要/摘要

摘要：虽趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋趋YOLOv8公司改进的道路交通标志目标检测算法。由于小目标检测中容易出现漏检的现象，利用BRA（双向路由注意）注意力机制提高网络对小目标的感知能力。此外，还利用可形变卷积模块DCNv3（可变形卷积v3）针对特征图中的不规则形状具有更好的特征提取能力，使骨干网络更好地适应不规则的空间结构，更精准地关注重要目标，从而提高模型对遮挡重叠目标的检测能力。DCNv3和BRA模块均在基本不增加模型权重大小的情况下提高模型准确性。同时引入基于辅助边框的内部IOU路标、CCTSDB、TSDD、GTSDB四个数据集上，分别进行了小样本训练、大样本训练、单目标检测和多目标检测，实验结果均有所提高。其中，在道路标志数据集上的实验结果最佳，YOLOv8公司改进模型的均值平均精度mAP50:95分别为90.7%和75.1%相较于基线模型，mAP50:95 5.9和4.8个百分点。实验结果表明，YOLOv8公司改进模型有效地实现了在复杂道路场景下的交通标志检测。

关键词: YOLOv8，小目标检测, ，注意力机制, 复杂道路场景

摘要：虽然目前的测试技术日趋成熟，但复杂环境下的小目标检测仍是研究的难点。针对道路交通场景中交通标志目标比例高、小目标目标比例高和环境干扰因素大的问题，提出了一种基于YOLOv8改进的道路交通标志目标测试算法。针对小目标测试中容易出现漏检的问题，采用了双层路由注意（BRA）机制来提高网络对小目标的感知能力。此外，它还使用了形状变换卷积模块可变形卷积V3（DCNV3）。它对特征图中的不规则形状具有更好的特征提取能力，使骨干网络能够更好地适应不规则的空间结构，并更准确地关注重要的注意力、目标，从而提高模型对重叠目标的检测能力。DCNV3和BRA模块都在不增加模型权重的情况下提高了模型的准确性。同时，引入了基于辅助边界的Inner-IOU损失函数。在RoadSign、CCTSDB、TSDD和GTSDB四个数据集上，进行了小样本训练、大样本训练、单目标检测和多目标检测。实验结果得到了改进。其中，对路标数据集的实验是最好的。改进的YOLOv8模型mAP50和mAP50:95的平均准确度分别达到90.7%和75.1%。与基线模型相比，mAP50和mAP50:95分别增加了5.9和4.8个百分点。实验结果表明，改进的YOLOV8模型有效地实现了复杂道路场景中的交通符号检测。

关键词： YOLOv8，小目标检测，可变形卷积，注意机制，复杂的道路场景

田鹏, 毛力. 改进YOLOv8公司的道路交通标志目标检测算法[J] ●●●●。，2024, 60(8): 202-212.

田鹏，毛力.交通标志目标的改进YOLOv8目标检测算法[J]。计算机工程与应用，2024，60（8）：202-212。

中文

[1] 刘海斌, 张友兵, 周奎, 等. 改进YOLOv5-S系列的交通标志检测算法[J] ●●●●。，2024, 60(5): 200-209.
刘海波，张玉波，周凯，等.基于改进YOLOv5-S的交通标志检测算法[J]。计算机工程与应用，2024，60（5）：200-209。
[2] BARODI A，BAJIT A，ZEMMOURI A等。适用于智能交通系统的实时交通标志检测和识别的改进深度学习性能[J]。国际高级计算机科学与应用杂志，2022，13（5）：712-723。
[3] AGRAWAL S，CHAURASIYA K R.用于准确交通标志检测和识别的SVM集成[C]//第一届图形和信号处理国际会议论文集，2017:10-15。
[4] REN X Y，MIN Z.交通标志检测与识别算法综述[C]//国际多媒体信息检索杂志论文集，2022:193-210。
[5] 瓦尔绍萨省亚兹丹R。通过克服规模和旋转的影响，提高城市地区的交通标志识别效果[J]。ISPRS摄影测量和遥感杂志，2021年，171:18-35。
[6] GIRSICK R，DONAHUE J，DARRELL T等。用于精确对象检测和语义分割的丰富特征层次结构[C]//2014年IEEE计算机视觉和模式识别会议论文集，2014:580-587。
[7] GIRSHICK R.Fast R-CNN[C]//IEEE计算机视觉国际会议论文集，2015:1440-1448。
[8] REN S，HE K，GIRSHICK R，et al.Faster R-CNN:towards real-time object detection with region proposition networks[C]//Advances in Neural Information Processing Systems，2015:1137-1149。
[9] 刘伟，安格洛夫D，埃尔罕D，等.SSD:单次多盒探测器[C]//欧洲计算机视觉会议论文集，2016:21-37。
[10] REDMON J，DIVVALA S，GIRSHICK R，et al.你只看一次：统一的实时目标检测[C]//IEEE计算机视觉和模式识别会议论文集，2016:779-788。
[11] REDMON J，FARHADI A.YOLO9000:更好，更快，更强[C]//IEEE计算机视觉和模式识别会议论文集，2017:6517-6525。
[12] REDMON J，DIVVALA S，GIRSHICK R，et al.你只看一次：统一的实时目标检测[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2016:779-788。
[13] REDMIN J，FARHADI A.YOLO9000:更好，更快，更强[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2017:6517-6525。
[14] REDMON J，FARHADI A.YOLOv3:增量改进[J].arXiv:1804.027672018。
[15] BOCHKOVSKIY A，WANG C Y，LIAO H Y M.Yolov4:目标检测的最佳速度和精度[J].arXiv:2004.10934200。
[16] LI C，LI L，JIANG H，et al.YOLOv6:一种用于工业应用的单级对象检测框架[J]。arXiv：2209.029762022年。
[17] WANG C Y，BOCHKOVSKIY A，LIAO H.YOLOv7：可培训的免费行李为实时目标探测器设置了新的最先进技术[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2022:7464-7475。
[18] 戴继发，齐海忠，熊永伟，等.可变形卷积网络[C]//2017 IEEE国际计算机视觉会议论文集，2017:764-773。
[19] 朱磊，王晓杰，柯志海，等.BiFormer:具有双层路由关注的视觉变换器[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2023:10323-10333。
[20] 闫峰，徐毅。基于YOLO的改进目标检测算法[C]//《2021年第四届机器人、控制与自动化工程国际会议论文集》，2021:21-25。
[21]李杰，王辉，徐毅，等.带注意机制的YOLO算法的道路目标检测[J]。信号处理前沿，2021，5:9-16。
[22]MA Y，ZHANG S.基于CNN的目标检测器的特征选择模块[J]。IEEE接入，2021，9:69456-69466。
[23]JU M，LUO J，WANG Z，等.多？尺度目标检测[J]。神经计算与应用，2021，33:2769-2781。
[24]YU F，KOLTUN V.基于扩展卷积的多尺度上下文聚合[C]//《学习表征国际会议论文集》，2016年。
[25]ZHU X Z，HU H，LIN Z F，et al.可变形ConvNets V2:更多可变形，更好的结果[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2018。
[26] 张红民, 庄旭, 郑敬添, 等. 优化YOLO公司网络的人体异常行为检测方法[J] ●●●●。，2023, 59(7): 242-249.
张海明，庄X，郑建堂，等.优化YOLO网络的人类异常行为检测方法[J]。计算机工程与应用，2023,59（7）：242-249。
[27]何儒汉, 熊捷繁, 熊明福.基于背景自适应学习的行人重识别算法研究[J] ●●●●。，2023, 59(7): 126-133.
HE R H，XIONG J F，XIONG M F.基于背景自适应学习的行人再识别算法研究[J]。计算机工程与应用，2023,59（7）：126-133。
[28] 何坚, 郭泽龙, 刘乐园, 等. 基于滑动窗口和卷积神经网络的可穿戴人体活动识别技术[J] ●●●●。电子与信息学报, 2022, 44(1): 168-177.
何杰，郭振林，刘义英，等.基于滑动窗口和卷积神经网络的可穿戴人体活动识别技术[J]。电子与信息杂志，2022，44（1）：168-177。
[29]王，W H，戴J F，陈Z，等.国际图像：利用可变形卷积探索大规模视觉基础模型[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2023:14408-14419。

改进YOLOv8公司的道路交通标志目标检测算法

改进的YOLOv8交通标志目标检测算法

PDF格式

可视化

摘要/摘要

引用本文

使用本文

中文

相关文章15

编辑推荐

韵律学

[1]	张洋宁, 朱静, 董瑞, 尤泽顺, 王震.多层级信息增强异构图的篇章级话题分割模型[J] ●●●●。，2024, 60(9): 203-211.
[2]	娟、庚、庚。基于位置增强词向量和GRU-CNN（美国有线电视新闻网）的方面级情感分析模型研究[J] ●●●●。，2024, 60(9): 212-218.
[3]	江结林, 朱永伟, 许小龙, 崔燕, 赵英男.混合特征及多头注意力的中文短文本分类[J] ●●●●。，2024, 60(9): 237-243.
[4]	李钟华, 林初俊, 朱恒亮, 廖诗宇, 白云起.基于结构感知和全局上下文信息的小目标检测[J] ●●●●。，2024, 60(9): 292-298.
[5]	廉露, 田启川, 谭润, 张晓行.基于神经网络的图像风格迁移研究进展[J] ●●●●。，2024, 60(9): 30-47.
[6]	史涛, 崔杰, 李松.优化改进YOLOv8公司人[J] ●●●●。，2024, 60(9): 79-89.
[7]	窦智, 高浩然, 刘国奇, 常宝方.轻量化YOLOv8公司的小样本钢板缺陷检测算法[J] ●●●●。，2024, 60(9): 90-100.
[8]	石洋宇, 左景, 谢承杰, 郑棣文, 卢树华.多尺度融合与FMB YOLOv8缔约方[J] ●●●●。，2024, 60(9): 101-110.
[9]	蔡腾, 陈慈发, 董方敏.结合变压器和动态特征融合的低照度目标检测[J] ●●●●。，2024, 60(9): 135-141.
[10]	潘玮, 韦超, 钱春雨, 杨哲.面向无人机视角下小目标检测的YOLOv8s公司[J] 。，2024, 60(9): 142-150.
[11]	王永贵, 王芯茹.融合自注意力和图卷积的多视图群组推荐[J] ●●●●。，2024, 60(8): 287-295.
[12]	郭金, 宋廷强, 孙媛媛, 巩传江, 刘亚林, 马兴录, 范海生.改进深标签v3+的双注意力融合作物分类方法[J] ●●●●。，2024, 60(8): 110-120.
[13]	郝小芳, 张超群, 李晓翔, 王大睿.融合交互注意力网络的实体和关系联合抽取模型[J] ●●●●。，2024, 60(8): 156-164.
[14]	刘青文, 买日旦·吾守尔, 古兰拜尔·吐尔洪.双元双模态下二次门控融合的多模态情感分析[J] ●●●●。，2024, 60(8): 165-172.
[15]	邹振涛, 李泽平.改进YOLOv7公司的航拍图像目标检测[J] ●●●●。，2024, 60(8): 173-181.