计算机工程

作者：许德刚, 王双臣, 尹柯栋, 王再庆

单位：1. 河南工业大学信息科学与工程学院, 河南 郑州 4500012. 河南工业大学粮食信息处理与控制教育部重点实验室, 河南 郑州 4500013. 湖南工程学院计算机与通信学院, 湖南 湘潭 411104

关键词：车辆目标检测,YOLOv8n模型,注意力机制,轻量化,加权交并比损失函数

基金：国家重点研发计划(2017YFD0401003-4); 湖南省自然科学基金(2021JJ50114)

为了解决城市车辆目标检测算法中存在检测效果差、误检漏检率高、泛化能力弱的问题, 提出一种改进YOLOv8的城市车辆目标检测算法。首先, 在主干网络尾部融入高效多尺度注意力(EMA)机制, 有助于模型更好地捕捉目标车辆的细节特征, 结合160×160像素尺寸的小目标检测层来加强对小目标的检测能力, 通过维度交互进一步聚合像素级特征, 增强对目标车辆的挖掘能力。其次, 为轻量化网络设计了一种多尺度轻量化卷积(MLConv)模块, 并基于MLConv重构了C2f模块, 提高模型的特征提取能力。最后, 为抑制低质量图像产生的有害梯度, 采用WIoU损失函数替代完全交并比(CIoU)损失函数, 优化网络的边界框损失, 提升模型的收敛速度和回归精度。在Streets车辆数据集上进行验证, 结果表明, 改进算法的mAP@0.5、mAP@0.5∶0.95和召回率相较于基准模型YOLOv8n分别提升了1.9、1.4和2.4百分点。在国内车辆数据集和VisDrone2019小目标数据集上进行验证, 改进算法的各项性能指标都有不同程度的提升, 充分证明了改进算法具有良好的泛化性和鲁棒性。与其他主流算法相比, 改进算法同样表现出了更高的准确率和召回率, 表明该算法对于城市车辆目标检测具有更好的性能。

来源：2025年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第11期