改进YOLOv8n的道路目标检测算法

针对道路场景中目标尺度多变、复杂背景干扰导致检测精度低、漏检率高的问题,提出一种改进YOLOv8n的道路目标检测算法。引入多样化分支块(diverse branch block,DBB)构建C2fDBB模块,替代原算法中的C2f模块,增强网络多尺度特征提取能力。在路径聚合网络(path aggregation network,PANet)的基础上结合渐进特征金字塔网络(asymptotic feature pyramid network,AFPN)思想,提出PA-AFPN(path aggregation progressive feature pyramid network)特征融合方式,提升网络对多尺度特征的融合能力。设计SPPF2_TA(SPPF with dual-branch structure incorporating triplet attention)模块,通过在SPPF(spatial pyramid pooling fast)中引入平均池化分支和三重注意力机制(triplet attention,TA),有效整合多尺度信息,降低背景干扰对检测的影响。采用MPDIoU作为新边界回归损失函数,替代原损失函数,加速算法收敛,提高目标定位精度。在公开道路目标数据集BDD100K和SODA10M上的实验结果显示,改进方法的mAP@0.5相较于基线算法分别提升了5.7个百分点和7.3个百分点,计算量降低了0.6 GFLOPs。与其他主流目标检测方法相比,改进方法在计算量、FPS和mAP@0.5等方面均展现出显著优势,更加契合道路场景下的目标检测任务需求。