基于YOLOv8n-SPTS模型的交通场景小目标检测方法用于自动驾驶
摘要
本文聚焦于自动驾驶中的关键问题：动态感知中的小目标识别。现有算法由于小目标信息缺失、尺度不平衡和遮挡而存在检测性能差的问题。我们提出了一种改进的YOLOv8n-SPTS模型，通过三个关键创新提高了交通小目标的检测精度：第一，优化特征提取模块。在YOLOv8n的Backbone Bottleneck结构中，4个传统卷积模块被替换为Space-to-Depth卷积（SPD-Conv）模块。该模块通过空间到深度转换保留细粒度信息，减少信息损失，增强捕获低分辨率小目标特征的能力。第二，增强特征融合能力。引入空间金字塔池化-快速跨阶段部分连接（SPPFCSPC）模块以替代原始SPPF模块，整合空间金字塔池化（SPP）的多尺度特征提取和跨阶段部分连接（CSP）的特征融合机制，从而提升模型对复杂场景的上下文理解能力和多尺度特征表达能力。第三，设计专用的小目标检测结构。提出三阶段特征金字塔（TSFP）结构，在原始检测头基础上增加160×160小目标检测头以充分利用浅层中的高分辨率特征；同时移除冗余的大目标检测头以平衡计算效率。在VisDrone2019-DET数据集上的对比实验表明，YOLOv8n-SPTS模型在精确率（61.9%）、召回率（48.3%）、[email protected]（52.6%）和[email protected]:0.95（32.6%）上排名第一。可视化结果验证了在遮挡和密集场景中行人与自行车等小目标的漏检率显著降低。
引用
@article{arxiv.2512.09296,
title = {Traffic Scene Small Target Detection Method Based on YOLOv8n-SPTS Model for Autonomous Driving},
author = {Songhan Wu},
journal= {arXiv preprint arXiv:2512.09296},
year = {2025}
}
备注
6 pages, 7 figures, 1 table. Accepted to The 2025 IEEE 3rd International Conference on Electrical, Automation and Computer Engineering (ICEACE), 2025. Code available at https://github.com/SonghanWu/yolov8n-SPTS