基于改进YOLOv8网络的车辆检测研究
计算机视觉与模式识别
2025-01-03 v1 机器学习
摘要
确保自动驾驶系统安全避障功能的关键在于使用极其精确的车辆识别技术。然而，实际道路环境的可变性以及车辆和行人的多样化特征共同构成了提高检测精度的巨大障碍，对实现这一目标提出了严峻挑战。针对上述问题，本文提出了一种改进的YOLOv8车辆检测方法。具体而言，以YOLOv8n-seg模型为基础模型，首先使用FasterNet网络替换主干网络，以在提高检测精度和速度的同时降低计算复杂度和内存占用；其次，通过在Neck中添加注意力机制CBAM实现特征增强；最后，将损失函数CIoU修改为WIoU，在提高分割精度的同时优化检测框定位。结果表明，改进后的模型对汽车、行人和摩托车的检测精度分别达到98.3%、89.1%和88.4%。与改进前和YOLOv9模型在Precision等六个指标上的对比显示了优势。
引用
@article{arxiv.2501.00300,
title = {Research on vehicle detection based on improved YOLOv8 network},
author = {Haocheng Guo and Yaqiong Zhang and Lieyang Chen and Arfat Ahmad Khan},
journal= {arXiv preprint arXiv:2501.00300},
year = {2025}
}