改进YOLOv8的轻量化安全帽佩戴检测算法

针对安全帽佩戴检测模型大、运算复杂、对运算平台资源要求高的问题,提出了基于YOLOv8改进的轻量化安全帽佩戴检测算法YOLOv8-MBS。首先,利用MobileNetv3与SPPF共同组成新的轻量级主干层,降低了算法的参数量和计算量。其次,使用加权双向金字塔增强了算法的特征提取与特征表达能力,降低了误检率。最后,嵌入SimAM无参数注意力机制,提升网络对位置信息与安全帽特征的关联度,但不增加额外计算负担。实验结果表明,对比原始网络YOLOv8n,改进后的YOLOv8-MBS在保持较高的检测精度的同时,运算量降低35.96%,参数量降低25.63%,模型大小降低23.22%,帧率提高12.52 fps。模型的轻量化降低了部署成本,为嵌入式部署及大规模应用提供了理论支持。