文献类型：期刊文章

作　　者：朱强军[1] 胡斌[1] 汪慧兰[2] 王杨[3]

ZHU Qiangjun;HU Bin;WANG Huilan;WANG Yang(Department of Big Data and Artificial Intelligence,Wanjiang College of Anhui Normal University,Wuhu Anhui 241000,China;School of Physics and Electronic Information,Anhui Normal University,Wuhu Anhui 241000,China;School of Computer and Information,Anhui Normal University,Wuhu Anhui 241000,China)

机构地区：[1]安徽师范大学皖江学院大数据与人工智能系,安徽芜湖241000 [2]安徽师范大学物理与电子信息学院,安徽芜湖241000 [3]安徽师范大学计算机与信息学院,安徽芜湖241000

出　　处：《图学学报》

基　　金：安徽省高校自然科学研究重点项目(2023AH052459);安徽师范大学皖江学院重点自然科研项目(WJKYZD-202301);安徽省高等学校省级质量工程项目(2022sx052);安徽师范大学皖江学院教学质量工程项目(WJXGK-202201)。

年　　份：2024

卷　　号：45

期　　号：3

起止页码：422-432

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD_E2023_2024、JST、ZGKJHX、核心刊

摘　　要：为了提高交通标志检测的实时性和可行性,提出了一种基于YOLOv8s的轻量化交通标志检测模型。首先,用FasterNet中的残差模块FasterNetBlock替换C2f模块中的BottleNeck,降低模型参数量和计算量;其次,用一种小目标检测层去替换大目标检测层,降低Backbone中网络层数,实现大幅度提高检测速度和降低参数量;最后,用Wise-IOU替换原CIOU损失函数,提高速度和精度。在TT100K交通标志数据集上验证,其与YOLOv8s模型比较,mAP50提高了5.16%,参数量降低了76.48%,计算量降低了13.33%,FPS快了35.83%。与其他模型相比,mAP50平均提高了15.11%,参数量平均降低了85.74%,计算量平均下降了46.23%,FPS平均提高了31.49%。该模型具有检测精度高、参数量少、计算量低、速度快等优点,较原算法有很大地提升,且与其他先进的交通标志检测模型比较时表现出了很强的竞争力,在交通标志检测中具有较大优势。

关 键 词：轻量化 YOLOv8s  改进小目标层  交通标志检测 Wise-IOU  TT100K  

分 类 号：TP391.4] U463.6[计算机类]