针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级...针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级的香草网络(vanilla network, VanillaNet)模块,颈部网络采用轻量级的上采样算子内容感知特征重组(content-aware reassembly of features, CARAFE)模块,增加160像素×160像素的极小目标检测层(tiny object detection layer, tiny)模块并修改损失函数为多尺度预测距离交并比(multi-scale prediction distance intersection over union, MPDIoU)。为验证优化模块的有效性,采用消融实验并对比模型改进前后的差异。结果表明,改进YOLOv8s模型平均精确率均值达95.6%,检测速度提升至102帧/s,检测精度有明显提升且延时有所降低。改进YOLOv8s模型能够在实际场景中有效检测电动车骑乘人员的头盔佩戴情况,对于减少人身伤害、提升道路安全和优化智能交通系统具有重要作用。展开更多
文摘针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级的香草网络(vanilla network, VanillaNet)模块,颈部网络采用轻量级的上采样算子内容感知特征重组(content-aware reassembly of features, CARAFE)模块,增加160像素×160像素的极小目标检测层(tiny object detection layer, tiny)模块并修改损失函数为多尺度预测距离交并比(multi-scale prediction distance intersection over union, MPDIoU)。为验证优化模块的有效性,采用消融实验并对比模型改进前后的差异。结果表明,改进YOLOv8s模型平均精确率均值达95.6%,检测速度提升至102帧/s,检测精度有明显提升且延时有所降低。改进YOLOv8s模型能够在实际场景中有效检测电动车骑乘人员的头盔佩戴情况,对于减少人身伤害、提升道路安全和优化智能交通系统具有重要作用。
