.png){kind=icon}
返回
Lightweight multi-scale vehicle object detection algorithm based on optimized YOLOv8
.png){kind=icon}
PRE
AI
DOI：10.1007/s10044-025-01562-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在智能交通监控场景中，现有高精度车辆检测模型因参数量庞大和计算复杂度高，普遍存在实时性能不足的问题。相反，轻量级模型虽然计算需求较低，但往往难以满足实际应用中的精度要求。为克服精度与效率之间的这一根本性权衡，本文提出了一种基于YOLOv8的优化轻量级多尺度车辆检测模型，命名为SGS-YOLOv8。其核心创新在于将多种轻量化技术协同整合至YOLOv8架构中，并针对车辆检测任务进行专门设计： (1) 在骨干网络中，我们创新性地集成并优化了SCDown模块及改进的GCSPR模块，显著提升了多尺度特征提取的参数效率。 (2) 在颈部结构中，我们创造性设计了一种由GSConv和VoV-GSCSP组成的级联轻量级架构，有效缓解了传统颈部轻量化过程中常见的特征融合性能下降问题。 (3) 在检测头中，我们引入了计算高效的Multi-Head Self-Attention（MHSA）机制，并结合特征筛选与加权策略，使模型能够自适应地聚焦于关键目标特征，并增强复杂场景下的判别能力。在BIT-Vehicle、UA-Detrac和BDD100K三个基准数据集上的全面实验表明，所提出的SGS-YOLOv8模型相较于基线YOLOv8模型，参数量减少了36.90%，计算负载（GFLOPs）降低了45.68%，模型尺寸缩减了33.39%，同时平均精度仅出现不超过0.2%的微小下降。这些结果有效验证了所提出的协同轻量化策略在解决精度-效率权衡困境方面的优越性，为边缘计算平台上的实时应用提供了高效解决方案。
Keyword:
Vehicle detection
Optimized YOLOv8
Lightweight
Detection accuracy
期刊
IF:
2
论文数:
1.9K
被引数:
1.9K
机构
引用论文
A Multi-Angle Appearance-Based Approach for Vehicle Type and Brand Recognition Utilizing Faster Regional Convolution Neural Networks基于更快区域卷积神经网络的多角度外观车型和品牌识别方法.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Pedestrian detection using RetinaNet with multi-branch structure and double pooling attention mechanism基于多分支结构和双池化注意机制的RetinaNet行人检测
PREAI
分享收藏Zhang, Z.; Zhang, Z.Y.; Li, G.; Xia, C. ZZ-YOLOv11: A Lightweight Vehicle Detection Model Based on Improved YOLOv11. Sensors 2025, 25, 3399. [Google Scholar] [CrossRef]张, Z.; 张, Z.Y.; 李, G.; 夏, C. ZZ-YOLOv11: 一种基于改进YOLOv11的轻量化车辆检测模型。Sensors 2025, 25, 3399. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏YOLOv8-FDD: A Real-Time Vehicle Detection Method Based on Improved YOLOv8YOLOv8-FDD: 一种基于改进YOLOv8的实时车辆检测方法IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Convolutional Neural Network-Based Vehicle Classification in Low-Quality Imaging Conditions for Internet of Things DevicesSUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏
查看更多内容