改进YOLOv8算法的交通标志小目标检测

针对传统网络模型在交通标志检测方面存在的小目标识别不准确的问题,提出一种改进的Ghost-YOLOv8交通标志检测模型。首先,使用GhostConv代替了全部Conv,并设计全新的GhostC2f模块来替代全部的C2f,使模型轻量化;其次,将上采样算法替换为CARAFE,以更好地保留图像的细节信息;然后,在Neck部分引入了GAM注意力机制模块,以增强特征中的语义信息和位置信息;最后,为了解决检测小目标时尺度不一致导致的语义信息丢失问题,添加了小目标检测层,以增强深层和浅层语义信息的融合。实验结果证明,该模型在中国交通标志检测数据集TT100K中的召回率、mAP@0.5、mAP@0.5:0.95指标分别提高了6.8%、4.0%、3.6%,并且模型的参数量及模型大小分别降低了1.069×10^(6)、1.9 MB。综合说明,所提出的模型在精准度不变的前提下,减少了模型的参数量及大小,并能更好地检测到原模型检测不到的小目标;同时,比对比算法具有更好的性能表现,并且适用于边缘计算设备,具有实际应用价值。