P-YOLOv8：高效准确的注意力驾驶实时检测
人工智能
2024-10-22 v1 计算机视觉与模式识别
摘要
注意力驾驶是导致全球众多死亡和受伤的严重安全问题。本研究解决了针对注意力驾驶行为开发高效且实时机器学习模型的迫切需求。利用预训练YOLOv8（P-YOLOv8）模型，本研究引入一种针对速度和准确性优化的实时目标检测系统。该方法解决了传统检测模型常見的计算约束和延迟限制。本研究展示了P-YOLOv8在目标检测和图像分类任务中的多功能性，采用State Farm的注意力驾驶检测数据集，其中包含10种行为类别的22,424张图片。我们的研究探索了P-YOLOv8用于图像分类的应用，评估其性能并与VGG16、VGG19和ResNet等深度学习模型进行比较。一些传统模型在准确率方面表现不佳，而另一些模型虽然准确率高，但计算成本大且检测速度慢，不适用于实时应用。P-YOLOv8通过实现竞争性的准确率，显著降低计算成本和效率优势，解决了上述问题。特别是，P-YOLOv8生成的轻量级模型仅需2.84 MB，参数总数为1,451,098，凭借其创新架构实现了99.46%的高准确率，为在廉价且小型嵌入式设备上部署Tiny Machine Learning（TinyML）开辟了新方向。实验结果表明该方法性能稳健，P-YOLOv8为实时检测注意力驾驶提供了具有成本效益的解决方案。本研究详细分析了P-YOLOv8的架构、训练和性能基准，突出了其在检测注意力驾驶中的实时应用潜力。
引用
@article{arxiv.2410.15602,
title = {P-YOLOv8: Efficient and Accurate Real-Time Detection of Distracted Driving},
author = {Mohamed R. Elshamy and Heba M. Emara and Mohamed R. Shoaib and Abdel-Hameed A. Badawy},
journal= {arXiv preprint arXiv:2410.15602},
year = {2024}
}