基于IMI-YOLO的交通标志检测算法的研究OA

由于驾驶环境的复杂性,小尺度交通标志检测存在漏检以及准确率不高的问题。为解决上述问题,提出基于改进多层感知机集成YOLO(IMI-YOLO)的交通标志检测算法。在YOLOv8s Neck结构中融入基于多层感知机的显式视觉中心模块(EVC Block),以提升算法框架的信息融合能力;通过融入外部注意力机制优化EVC Block的轻量化多层感知机,使其更关注数据集之间的隐秘特征关联;采用α-CIoULoss作为边界框回归定位损失函数,以提升边界框回归定位的准确度;使用GhostConv对CSPDarknet53(cross stage partial darknet53)骨干网络复杂度进行简化,保证网络模型在实际场景中的推理效率。在中国交通标志数据集(CCTSDB)上的实验表明,所提出的算法的平均精度均值(mAP)为79.3%,比YOLOv8s提升了1.9%,算法参数量减少了2.6 M,可以更好地应对自动驾驶实际场景中的应用挑战。