基于改进YOLOv8的道路目标检测方法及系统技术方案

本发明专利技术涉及一种基于改进YOLOv8的道路目标检测方法及系统，其方法包括：S1：采用数据增强方法对图片进行预处理，构建数据集；S2：构建改进YOLOv8网络，包括：特征提取模块，特征融合模块和检测模块；S3：将训练集输入改进YOLOv8网络，经过特征提取模块进行特征采集，生成不同层次的特征F1、F2、F3、F4；S4：将F1、F2、F3、F4输入特征融合模块，分别得到增强特征F10、F12、F14、F16；步骤S5：将F10、F12、F14、F16输入检测模块，经过Detect模块，利用两个分支对特征进行解耦，分别计算回归损失与分类损失，最后输出检测框的位置和类别。本发明专利技术的方法，提高了道路目标检测的精度和速度，解决对极小目标的检测问题。检测问题。检测问题。

【技术实现步骤摘要】
基于改进YOLOv8的道路目标检测方法及系统


[0001]本专利技术涉及计算机视觉领域，具体涉及一种基于改进YOLOv8的道路目标检测方法及系统。

技术介绍

[0002]近些年来，人工智能飞速发展，汽车自动驾驶技术成为了解决传统汽车道路交通问题的重要技术，受到了许多企业乃至国家的重点关注。对于汽车自动驾驶系统来说目标检测算法是最为基础和核心的重要组成部分。随着机器学习和GPU并行计算技术的不断发展，基于卷积神经网络(Convolutional Neural Network，CNN)逐渐发展出了很多的目标检测算法，YOLO系列算法是目前应用最广的目标检测算法之一，刚问世就以快速的检测能力受到广泛关注，在经过了八个版本的迭代之后，YOLO算法不仅保留了检测速度快的优势，还补齐了检测准确率低的短板。
[0003]道路背景下的目标检测算法需要快速并且准确地识别并定位目标，现有的目标检测算法已经可以高效地完成绝大多数一般道路背景下的目标检测任务，但在复杂的道路背景下，因为目标多且杂，并且各个目标之间的距离和角度变化很大，存在着密集目标的遮挡问题以及小目标的检测问题，容易导致误检和漏检，这对算法的检测精度和速度都带来很大的影响，进而使得整个自动驾驶系统的安全性存在问题，甚至可能导致交通事故的发生。因此，如何解决复杂道路背景下的密集目标遮挡以及小目标的检测成为一个亟待解决的问题。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种基于改进YOLOv8的道路目标检测方法及系统。
[0005]本专利技术技术解决方案为：一种基于改进YOLOv8的道路目标检测方法，包括：
[0006]步骤S1：采用数据增强方法对图片进行预处理，构建数据集，按照比例将所述数据集划分训练集、验证集和测试集；
[0007]步骤S2：构建改进YOLOv8网络，包括：特征提取模块，特征融合模块和检测模块；其中，在所述特征提取模块中使用C2f
‑
FNEMA模块替代原有的C2f模块；在所述特征融合模块中基于原有的三尺度检测层上，增加了一个检测层，以检测极小尺寸道路目标，同时，使用C2f
‑
FN模块替代原有的C2f模块；在所述检测模块中将原先的耦合头替换为解耦头Detect模块，将道路目标的位置和类别信息分别提取出来，通过不同的网络分支分别学习，最后再进行融合；
[0008]步骤S3：将所述训练集输入所述改进YOLOv8网络，经过特征提取模块中一系列CBS模块和C2f
‑
FNEMA模块进行特征采集，生成不同层次的特征F1、F2、F3、F4；
[0009]步骤S4：将F1、F2、F3、F4输入所述特征融合模块，分别经过四个不同尺度的检测层，实现语义信息从深层特征到浅层特征的传递以及定位信息从浅层特征层到深层特征层
的传递，分别得到增强特征F10、F12、F14、F16，其中，所述增强特征F10是通过增加的检测层获得，用于检测极小尺寸道路目标；
[0010]步骤S5：将F10、F12、F14、F16输入所述检测模块，经过所述Detect模块，利用两个分支对特征进行解耦，分别计算回归损失与分类损失，最后输出检测框的位置和类别。
[0011]本专利技术与现有技术相比，具有以下优点：
[0012]1、本专利技术公开了一种基于改进YOLOv8的道路目标检测方法，使用部分卷积Pconv和两个常规1
×
1卷积结合组成的FasterNet块来替换YOLOv8中C2f模块中的Bottleneck，构成新的C2f
‑
FN模块。相比于C2f模块中的Bottleneck，FasterNet块更加轻量快速，可以同时减少计算冗余和内存访问，有效地节省了计算时间。C2f
‑
FN模块可以在保证轻量化的同时获得更加丰富的梯度流信息。
[0013]2、本专利技术为了进一步提升YOLOv8在复杂道路背景下检测时的特征提取能力，将高效多尺度注意力EMA注意力机制加入C2f
‑
FN模块中，构成C2f
‑
FBEMA模块，EMA注意力机制在卷积运算中学习有效的通道描述而不降低通道维度，并为高级特征图产生更好的像素级关注。本专利技术将EMA注意力添加到特征提取模块中，显著增强了特征表达能力，降低了无关信息对特征带来的影响，使模型学习到特征图中更多的有效信息，增强特征图的信息表达能力，对尺寸小且分布密集的目标的检测效果得到明显的提升，提高了改进YOLOv8模型对小尺度目标的检测能力。
[0014]3、本专利技术使用SPPFCSPC模块替换了原Yolov8的SPPF模块，提高了图像的尺度不变性，有效增加了主干特征的接收范围，更容易使网络收敛，提高了准确率。
[0015]4、本专利技术在特征融合模块中增加了一层浅层的检测层作为极小目标的检测层，将原YOLOv8从三尺度改为四尺度检测，通过改进多尺度检测，能够检测更多的目标尺寸范围，更加适用于目标尺寸不均匀的复杂道路场景，有效提高了检测精度。
[0016]5、本专利技术在检测模块中，使用MPDIoU替换原YOLOv8中用于计算回归损失的CIOU，可以获得更快的收敛速度和更准确的回归结果。
附图说明
[0017]图1为本专利技术实施例中一种基于改进YOLOv8的道路目标检测方法的流程图；
[0018]图2为本专利技术实施例中改进YOLOv8网络结构示意图；
[0019]图3为本专利技术实施例中C2f
‑
FNEMA模块结构示意图；
[0020]图4为本专利技术实施例中FasterNet模块结构示意图；
[0021]图5为本专利技术实施例中部分卷积模块Pconv示意图；
[0022]图6为本专利技术实施例中EMA注意力模块结构示意图；
[0023]图7为本专利技术实施例中SPPFCSPC模块结构示意图；
[0024]图8为本专利技术实施例中C2f
‑
FN模块结构示意图；
[0025]图9为本专利技术实施例中Detect模块结构示意图；
[0026]图10为本专利技术实施例中一种基于改进YOLOv8的道路目标检测系统的结构框图。
具体实施方式
[0027]本专利技术提供了一种基于改进YOLOv8的道路目标检测方法，提高了道路目标检测的
精度和速度，解决对极小道路目标的检测问题。
[0028]为了使本专利技术的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本专利技术进一步详细说明。
[0029]实施例一
[0030]如图1所示，本专利技术实施例提供的一种基于改进YOLOv8的道路目标检测方法，包括下述步骤：
[0031]步骤S1：采用数据增强方法对图片进行预处理，构建数据集，按照比例将数据集划分训练集、验证集和测试集；
[0032]步骤S2：构建改进YOLOv8网络，包括：特征提取模块，特征融合模块和检测模块；其中，在特征提取模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv8的道路目标检测方法，其特征在于，包括：步骤S1：采用数据增强方法对图片进行预处理，构建数据集，按照比例将所述数据集划分训练集、验证集和测试集；步骤S2：构建改进YOLOv8网络，包括：特征提取模块，特征融合模块和检测模块；其中，在所述特征提取模块中使用C2f
‑
FNEMA模块替代原有的C2f模块；在所述特征融合模块中基于原有的三尺度检测层上，增加了一个检测层，以检测极小尺寸道路目标，同时，使用C2f
‑
FN模块替代原有的C2f模块；在所述检测模块中将原先的耦合头替换为解耦头Detect模块，将道路目标的位置和类别信息分别提取出来，通过不同的网络分支分别学习，最后再进行融合；步骤S3：将所述训练集输入所述改进YOLOv8网络，经过特征提取模块中一系列CBS模块和C2f
‑
FNEMA模块进行特征采集，生成不同层次的特征F1、F2、F3、F4；步骤S4：将F1、F2、F3、F4输入所述特征融合模块，分别经过四个不同尺度的检测层，实现语义信息从深层特征到浅层特征的传递以及定位信息从浅层特征层到深层特征层的传递，分别得到增强特征F10、F12、F14、F16，其中，所述增强特征F10是通过增加的检测层获得，用于检测极小尺寸道路目标；步骤S5：将F10、F12、F14、F16输入所述检测模块，经过所述Detect模块，利用两个分支对特征进行解耦，分别计算回归损失与分类损失，最后输出检测框的位置和类别。2.根据权利要求1所述的基于改进YOLOv8的道路目标检测方法，其特征在于，所述步骤S3：将所述训练集输入所述改进YOLOv8网络，经过特征提取模块中一系列CBS模块和C2f
‑
FNEMA模块进行特征采集，生成不同层次的特征F1、F2、F3、F4，具体包括：构建C2f
‑
FNEMA模块，包括：2个CBS模块、1个分离模块、n个FasterNet模块和1个EMA注意力模块；首先，输入特征经过第一个CBS模块改变所述输入特征的尺寸后进入分离模块，将所述输入特征分割成第一特征和第二特征，所述第一特征经由n个FasterNet模块进行特征提取，其中所述FasterNet模块替代原有的C2f中的BottleNeck模块，其中所述FasterNet模块由1个部分卷积模块Pconv和2个1
×
1的普通卷积模块Conv构成；其中，Pconv只对一部分通道做卷积，其他的通道保持不变；两个1
×
1普通卷积模块是有倒残差结构，先对特征升维，后面接一个批次归一化和ReLU激活函数，再对特征进行降维；将第n个FasterNet模块的输出与所述第二特征进行concat操作后，输入所述EMA注意力模块，通过三条平行的路线来提取分组特征的注意力权重描述符，将所述EMA注意力模块的输出经过第二个CBS模块恢复尺寸，得到于所述输入特征尺寸一样的输出特征；在所述特征提取模块中包括4个C2f
‑
FNEMA模块，其中，前3个C2f
‑
FNEMA模块分别输出特征F1、F2、F3，且每个C2f
‑
FNEMA模块后接一个CBS模块；在最后一个C2f
‑
FNEMA模块后接一个SPPFCSPC模块，进行不同尺度的池化；其中，所述SPPFCSPC模块，包括：3个依次连接的不同卷积核的普通卷积模块Conv1、Conv2、Conv3，3个依次连接的最大池化MaxPool模块，将Conv3的输出与三个Maxpool模块的输出进行Concat操作之后，再经过2个不同卷积核的普通卷积模块Conv4、Conv5，将Conv5的输出与输入特征经过普通卷积模块Conv6的输出进行Concat操作后，最后经过普通卷积模块Conv7，输出特征F4。3.根据权利要求2所述的基于改进YOLOv8的道路目标检...

【专利技术属性】
技术研发人员：於俊，曹力，刘瑞宇，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：