基于改进YOLOv8n的超市行人检测算法OA

针对超市行人检测的实时性、轻量化需求,以及尺度变化、背景干扰、人群密集遮挡等场景带来的行人误检漏检率高等问题,提出基于改进YOLOv8n的超市行人检测模型YOLOv8-OHN。该模型采用全维动态卷积(ODConv)重构C2f模块,大幅提升卷积的特征提取能力,使得模型更适用于复杂背景和人群密集遮挡场景;在颈部网络(neck)中引入轻量的高级筛选功能金字塔网络ELA-HSFPN,有效应对超市固定摄像头拍摄行人带来的多尺度挑战;在CIoU损失函数中融入NWD损失,降低对小目标行人位置偏差的敏感性。在自建的SEPDataset数据集上进行测试,YOLOv8-OHN模型的mAP@0.50和m AP@0.50∶0.95分别达到96.2%和71.4%,相较基线模型YOLOv8n分别提升了1.6和2.2百分点,参数量(params)仅为2.0 M,浮点计算量(FLOPs)仅为5.2 G,比YOLOv8n分别降低了33.3%和35.8%。本文模型做到了在高精度检测超市行人的同时兼顾低算力场景下的部署要求。