SOD-YOLOv8——增强YOLOv8用于交通场景中的小目标检测

目标检测作为计算机视觉的一部分，对于交通管理、应急响应、自动驾驶和智慧城市至关重要。尽管目标检测取得了重大进展，但从远距离相机拍摄的图像中检测小目标仍然具有挑战性，原因包括其尺寸、与相机的距离、形状各异以及背景杂乱。为应对这些挑战，我们提出了专门针对大量小目标场景设计的小目标检测YOLOv8（SOD-YOLOv8）。受高效广义特征金字塔网络（GFPN）启发，我们增强了YOLOv8中的多路径融合，以整合不同层级的特征，保留浅层细节并提高小目标检测精度。此外，添加了第四检测层以有效利用高分辨率空间信息。C2f-EMA模块中的高效多尺度注意力模块（EMA）通过重新分配权重和优先处理相关特征来增强特征提取。我们引入强力交并比（PIoU）作为CIoU的替代方案，重点关注中等质量的锚框，并添加预测边界框角点与真实边界框角点之间差异的惩罚。该方法简化了计算，加速了收敛，并提高了检测精度。SOD-YOLOv8显著提高了小目标检测能力，在各种指标上超越了广泛使用的模型，同时与YOLOv8s相比未大幅增加计算成本或延迟。具体而言，它将召回率从40.1%提高到43.9%，精确率从51.2%提高到53.9%，$\text{mAP}_{0.5}$从40.6%提高到45.1%，$\text{mAP}_{0.5:0.95}$从24%提高到26.6%。在动态真实交通场景中，SOD-YOLOv8在不同条件下展示了显著改进，证明了其在具有挑战性的环境中检测小目标的可靠性和有效性。