改进YOLOv8的多尺度轻量型车辆目标检测算法

doi:10.3778/j.issn.1002-8331.2309-0145

摘要/摘要

摘要：针对传统车辆目标检测模型设备需求高、检测精度低、重叠目标漏检率高等问题，提出了一种改进YOLOv8公司的车辆目标检测算法RBT-YOLO采用多尺度融合的方式对主干网络进行重构。对BiFPN公司进行改进，增加卷积操作以及调整输入输出通道个数以适应YOLOv8加强其特征融合能力。在颈部部分输出的特征图之后加入轻量型注意力机制三重关注提升模型的特征提取能力。针对真实情况下车辆目标重叠度较高的问题，使用SoftNMS（软非最大值抑制）使模型对候选框的处理方式更为温和，增强了模型对目标的检测能力，提升了召回率。在Pascal VOC和MS COCO数据集上进行实验，结果表明提出的RBT-YOLO公司性能超越原始模型，参数量和计算量下降60%，mAP反应2.6和3.0个百分点，并在体积和精度上优于其他经典检测模型，具有很强的实用性。

关键词: 车辆检测, 多尺度, 注意力机制, YOLOv8，非极大值抑制

摘要：为了解决传统车辆目标检测模型中硬件要求高、检测精度低、重叠目标遗漏率高等问题，提出了一种基于YOLOv8的改进车辆目标检测算法RBT-YOLO。使用多尺度融合方法重建主网络。通过增加卷积运算和调整输入/输出通道数来改进BiFPN，以适应YOLOv8，增强其特征融合能力。在从颈部区域输出特征映射后，引入了一种称为“三重注意”的轻量级注意机制，以增强模型的特征提取能力。为了解决实际场景中目标高度重叠的问题，使用SoftNMS（soft non-maximum suppression）代替原NMS，使模型对候选框的处理更加温和，从而增强了模型的检测能力，提高了召回率。在Pascal VOC和MS COCO数据集上的实验结果表明，与其他经典检测模型相比，该RBT-YOLO模型的性能优于原始模型，减少了约60%的参数和计算量，mAP分别提高了2.6和3.0个百分点，在大小和精度上都优于其他经典检测模式，从而显示出较强的实用性。

关键词： 车辆检测，多尺度，注意机制， YOLOv8，非最大抑制

张利丰, 田莹. 改进YOLOv8公司的多尺度轻量型车辆目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(3): 129-137.

张立峰、田莹。改进的YOLOv8多尺度轻型车辆目标检测算法[J]。计算机工程与应用，2024，60（3）：129-137。

参考文献

[1] 茅智慧, 朱佳利, 吴鑫, 等. 基于YOLO公司的自动驾驶目标检测研究综述[J] ●●●●。计算机工程与应用, 2022, 58(15): 68-77.
毛志浩，朱继林，吴霞，等.基于YOLO的自动驾驶目标检测方法综述[J]。计算机工程与应用，2022，58（15）：68-77。
[2] SIVARAMAN S，TRIVEDI M M。观察道路上的车辆：基于视觉的车辆检测、跟踪和行为分析的调查[J]。IEEE智能交通系统汇刊，2013，14（4）：1773-1795。
[3] TUERMER S，KURZ F，REINARTZ P，等.使用HOG特征和视差图在密集城市地区进行机载车辆检测[J]。IEEE应用地球观测和遥感专题期刊，2013，6（6）：2327-2337。
[4] GIRSHICK R.Fast R-CNN[C]//IEEE计算机视觉国际会议论文集，2015:1440-1448。
[5] REN S Q，HE K M，GIRSHICK R，et al.Faster R-CNN:towards real-time object detection with region proposition networks[C]//第28届神经信息处理系统国际会议论文集，2015。
[6] HE K，GKIOXARI G，DOLLáR P，et al.Mask R-CNN[C]//IEEE计算机视觉国际会议论文集，2017:2961-2969。
[7] 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。
[8] 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，2017:7263-7271。
[9] 雷德蒙J，FARHADI A.YOLOv3：渐进式改进[J]。arXiv:1804.027672018年。
[10] BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4：物体检测的最佳速度和精度[J]。arXiv:2004.109342020年。
[11] GE Z，LIU S，WANG F，等.约洛克斯：2021年超越约洛系列[J]。arXiv:1606.08412021。
[12] 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。
[13] 王志毅，BOCHKOVSKIY A，LIAO H Y M.YOLOv7：可培训的免费包为实时目标探测器创造了新的技术水平[J]。arXiv:2207.026962022年。
[14] 刘伟，安圭洛夫D，埃尔罕D，等.SSD:单次多盒探测器[C]//第十四届欧洲计算机视觉会议，阿姆斯特丹，2016:21-37。
[15] 郑玉珩, 黄德启. 改进MobileViT YOLOv4的轻量化车辆检测网络[J] ●●●●。电子测量技术, 2023, 46(2): 175-183.
郑永和，黄德清.基于MobileViT和YOLOv4的轻型车辆检测网络[J]。电子测量技术，2023，46（2）：175-183。
[16] 刘浩翰, 樊一鸣, 贺怀清, 等. 改进YOLOv7-微型的目标检测轻量化模型[J] ●●●●。计算机工程与应用, 2023, 59(14): 166-175.
刘海华，范永明，何海清，等。改进的YOLOv7-tiny目标检测轻量化模型[J]。计算机工程与应用，2023,59（14）：166-175。
[17] 董晓东，闫S，段长清.基于YOLOv5的轻型车辆检测网络模型[J]。人工智能的工程应用，2022，113:104914。
[18] TAN M，PANG R，LE Q V.Efficientdet:可扩展和高效的目标检测[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2020：10781-10790。
[19] BODLA N，SINGH B，CHELLAPPA R等。Soft NMS:用一行代码改进对象检测[C]//2017 IEEE国际计算机视觉会议，意大利威尼斯，2017年10月22-29日。纽约：IEEE出版社，2017:5562-5570。
[20] 蔡毅，周毅，韩强，等.可逆柱网络[J]。arXiv:2212.116962022年。
[21]LIU S，QI L，QIN H，et al.面向实例分割的路径聚合网络[C]//IEEE计算机视觉与模式识别会议论文集，2018:8759-8768。
[22]LIN T Y，DOLLáR P，GIRSHICK R，等.用于目标检测的特征金字塔网络[C]//IEEE计算机视觉和模式识别会议论文集，2017:2117-2125。
[23]MISRA D，NALAMADA T，ARASANIPALAI A U，et al.轮流出席：卷积三倍体注意模块[C]//2021 IEEE计算机视觉应用冬季会议（WACV），美国HI威科洛亚，2021:3138-3147。
[24] 荆修平, 田莹. 采用长距离依赖和多尺度表达的轻量化车辆检测[J] ●●●●。光学精密工程, 2023, 31(6): 950-961.
JING X P，TIAN Y.使用长距离依赖和多尺度表示的轻型车辆检测[J]。光学与精密工程，2023，31（6）：950-961。
[25]景晓平，田毅.基于改进Yolox-nano的轻型车辆检测[J]。IAENG国际计算机科学杂志，2023，50（1）。

改进YOLOv8公司的多尺度轻量型车辆目标检测算法

改进的YOLOv8多尺度轻型车辆目标检测算法

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	朱凯, 李理, 张彤, 江晟, 别一鸣.视觉变压器在低级视觉领域的研究综述[J] ●●●●。计算机工程与应用, 2024, 60(4): 39-56.
[2]	张多纳, 赵宏佳, 鲁远耀, 崔健, 张宝昌.融入注意力机制的小样本遥感图像场景分类[J] ●●●●。计算机工程与应用, 2024, 60(4): 173-182.
[3]	李青, 李海涛, 李辉, 张俊虎.注意力机制和全局卷积在光伏板分割中的应用[J] ●●●●。计算机工程与应用, 2024, 60(4): 237-248.
[4]	管文青, 周世斌, 张国鹏.混合注意力特征增强的航空图像目标检测[J] ●●●●。计算机工程与应用, 2024, 60(4): 249-257.
[5]	周粤川, 张建勋, 董文鑫, 高林枫, 倪锦园.多尺度语义信息无监督山水画风格迁移网络[J] ●●●●。计算机工程与应用, 2024, 60(4): 258-269.
[6]	陈丽芳, 罗世勇.融合卷积和变压器的多尺度肝肿瘤分割方法[J] ●●●●。计算机工程与应用, 2024, 60(4): 270-279.
[7]	刘炳坤, 皮家甜, 徐进.结合瓶颈注意力的端到端机械臂视觉伺服研究[J] ●●●●。计算机工程与应用, 2024, 60(4): 347-354.
[8]	辛世澳, 葛海波, 袁昊, 杨雨迪, 姚洋.改进YOLOv7公司的轻量化水下目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(3): 88-99.
[9]	陈佳慧, 王晓虹.改进YOLOv5公司的无人机航拍图像密集小目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(3): 100-108.
[10]	牛鑫宇, 毛鹏军, 段云涛, 娄晓恒.基于YOLOv5系列室内目标检测轻量化改进算法研究[J] ●●●●。计算机工程与应用, 2024, 60(3): 109-118.
[11]	许德刚, 王再庆, 邢奎杰, 郭奕欣.改进YOLOv6型的遥感图像目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(3): 119-128.
[12]	张鹏, 谢莉, 杨海麟.用于宫颈细胞分类的轻量级网络ICA-Res2Net公司[J] ●●●●。计算机工程与应用, 2024, 60(3): 187-195.
[13]	周燕, 廖俊玮, 刘翔宇, 周月霞, 曾凡智.改进FCEN网的自然场景文本检测算法[J] ●●●●。计算机工程与应用, 2024, 60(3): 228-236.
[14]	金海波, 马琳琳, 田桂源.自适应变压器网络下的单幅图像去雾方法[J] ●●●●。计算机工程与应用, 2024, 60(3): 237-245.
[15]	梁梅霖, 段友祥, 昌伦杰, 孙歧峰.邻域信息分层感知的知识图谱补全方法[J] ●●●●。计算机工程与应用, 2024, 60(2): 147-153.