计算机工程

作者：陈梓延, 王晓龙, 何迪, 安国成

单位：1. 上海交通大学电子信息与电气工程学院, 上海 2002402. 上海交通大学感知科学与工程学院北斗导航与位置服务上海市重点实验室, 上海 2002403. 上海华讯网络系统有限公司行业数智事业部, 四川 成都 610074

关键词：YOLOv8模型,车辆检测,轻量化,FasterNet网络,归一化高斯Wasserstein距离

基金：“十四五”国家重点研发计划(2023YFC3006700); 国家自然科学基金(61971278); 国家自然科学基金(62231010)

现有的高精度车辆检测模型参数与计算量过高, 无法在交通智能设备上良好运行, 而轻量化的车辆检测模型精度普遍较低, 不适用于实际任务。为此, 提出一种改进YOLOv8的轻量化车辆检测网络, 将主干网络替换为计算量和内存访问更小的FasterNet网络, 并且将颈部的双向特征金字塔网络替换为加权双向特征金字塔网络(BiFPN), 简化特征融合过程。同时, 引入一种融合注意力机制的动态检测头, 实现检测头和注意力的无冗余结合; 此外, 针对完全交并比(CIoU)在检测精度和收敛速度上的缺陷, 提出一种尺度不变交并比(SIoU)结合归一化高斯Wasserstein距离(NWD)的回归损失算法。最后, 为尽量减小模型对边缘设备的算力需求, 进行基于幅值的层自适应稀疏化剪枝, 进一步压缩模型大小。实验结果表明, 提出的改进模型相较于原模型YOLOv8s, 在精度上升1.5百分点的情况下, 参数量降低78.9%, 计算量下降67.4%, 模型尺寸降低77.8%, 达到了比较优秀的轻量化效果, 具有很强的实用性。

来源：2025年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第5期