基于YOLOv8s的城市背景烟火检测算法

针对目前城市背景烟火检测方法存在检测精度不高,易出现误检、漏检和耗时长等问题,提出一种基于YOLOv8s改进的烟火检测算法。引入加权双向特征金字塔(Bi-directional Feature Pyramid Network, BiFPN)增强特征融合,在BiFPN的基础上融合P2特征层提升小目标检测能力,同时添加基于跨空间学习的高效多尺度注意力(Efficient Multi-scale Attention, EMA)模块,突出目标特征同时抑制背景环境的干扰;为了有效利用特征图的语义信息,引入轻量级通用上采样算子——Content-Aware ReAssembly of Features(CARAFE);基于多尺度卷积注意力(Multi-scale Convolutional Attention, MCA)模块设计了一个轻量化的检测头并提升了检测精度;引入分组卷积空间金字塔池化SPPFCSPC_Group模块,在扩大感受野的同时具有更好的特征提取能力。实验结果表明,改进的YOLOv8s算法在基准模型的基础上计算量减少了25%、参数量减少了37.6%、模型权重大小减少了33.2%,平均精度均值(mean Average Precision, mAP)提升了3.4%,基本满足烟火检测的需求。