针对现有交通监控场景下车辆目标检测算法参数多、计算量大,难以在资源有限的设备中部署的问题,提出一种基于YOLOv8改进的轻量型车辆目标检测算法GSE-YOLO。结合Ghost卷积技术,设计出一种轻量型特征提取模块C2fGhostv2,在减少计算负担...针对现有交通监控场景下车辆目标检测算法参数多、计算量大,难以在资源有限的设备中部署的问题,提出一种基于YOLOv8改进的轻量型车辆目标检测算法GSE-YOLO。结合Ghost卷积技术,设计出一种轻量型特征提取模块C2fGhostv2,在减少计算负担的同时保证良好的特征提取能力。在颈部网络,引入SA(shu ffl e attention)注意力机制,主动选择合适的特征图权重凸显重要特征信息,减少背景对车辆检测的干扰。引入新的损失函数EIOU,解决边界框的纵横比模糊问题,提高预测框精度。实验结果表明,在交通数据集UA-DETRAC上,GSE-YOLO在检测精度没有损失的情况下,相较于原始YOLOv8参数量降低36.11%,计算量降低29.21%,更适合在计算量有限的边缘设备上部署,具有实用价值。展开更多
文摘针对现有交通监控场景下车辆目标检测算法参数多、计算量大,难以在资源有限的设备中部署的问题,提出一种基于YOLOv8改进的轻量型车辆目标检测算法GSE-YOLO。结合Ghost卷积技术,设计出一种轻量型特征提取模块C2fGhostv2,在减少计算负担的同时保证良好的特征提取能力。在颈部网络,引入SA(shu ffl e attention)注意力机制,主动选择合适的特征图权重凸显重要特征信息,减少背景对车辆检测的干扰。引入新的损失函数EIOU,解决边界框的纵横比模糊问题,提高预测框精度。实验结果表明,在交通数据集UA-DETRAC上,GSE-YOLO在检测精度没有损失的情况下,相较于原始YOLOv8参数量降低36.11%,计算量降低29.21%,更适合在计算量有限的边缘设备上部署,具有实用价值。
