一种基于YOLOv8改进的低光照目标检测方法及装载和运行装置制造方法及图纸

一种基于YOLOv8改进的低光照目标检测方法，涉及计算机技术目标检测技术领域，包括以下步骤：收集低光照数据集，统一图片格式；数据集按比例划分训练集和验证集；对模型进行改进：首先，将模型的损失函数更换为新型的MPDIoU损失函数；其次，在YOLOv8采用的特征提取的主干网络中，插入Global Attention Mechanism模块。最后，在特征提取后，引入AFPN特征融合模块替代原有的简单上采样操作。将数据集通过搭建好的网络学习多尺度特征图融合之后的特征网络，进行训练获得模型预训练权重；将预处理后的图片输入最优权重模型进行检测。本发明专利技术可应用于夜间安保监控、夜间驾驶辅助等低光照环境下的视觉任务。

【技术实现步骤摘要】

本专利技术涉及计算机技术目标检测，具体涉及一种基于yolov8改进的低光照目标检测方法及装载和运行装置。

技术介绍

1、近年来，深度学习成为主流。随着深度学习在计算机视觉领域的广泛应用，深度卷积神经网络也在低光照目标检测中显示优势。深度学习模型可以更好地学习图像深层次的特征表示。常用的方法包括基于卷积神经网络的目标检测模型，如faster r-cnn、yolo等。其中yolo系列不仅拥有检测速度快和模型轻量的特点，还拥有不逊于其他网络的精度，因而得到广泛使用。

2、低光照环境指光线较暗的环境，例如夜晚、室内等场景。目标检测在这类环境下特别具有挑战性，因为图像质量较低，目标信息较难提取。现有的目标检测算法主要针对正常光照条件设计，在光线不足或夜间环境下检测效果较差。低光照条件下，图像质量差、目标边缘模糊不清，给目标检测带来很大难度。因此要研究利用更深层次的特征来提升识别率。

技术实现思路

1、针对低光照条件下，图像质量差、目标边缘模糊不清，目标检测困难的技术问题，本技术方案提供了一种基于yolov8本文档来自技高网...

【技术保护点】

1.一种基于YOLOv8改进的低光照目标检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于YOLOv8改进的低光照目标检测方法，其特征在于：所述步骤一的具体操作方式为：使用转换代码将原数据集标注格式进行格式转换，使得转换后的数据集格式为yolo格式，数据集的图片格式包含png、jpg、jpeg多种格式，为了减少训练网络中数据预处理阶段的工作量，将所有图像格式统一为jpg格式。

3.根据权利要求1所述的一种基于YOLOv8改进的低光照目标检测方法，其特征在于：步骤3所述将模型的损失函数更换为新型的MPDIoU损失函数，是将损失函数CIOU替换为新...

【技术特征摘要】

1.一种基于yolov8改进的低光照目标检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于yolov8改进的低光照目标检测方法，其特征在于：所述步骤一的具体操作方式为：使用转换代码将原数据集标注格式进行格式转换，使得转换后的数据集格式为yolo格式，数据集的图片格式包含png、jpg、jpeg多种格式，为了减少训练网络中数据预处理阶段的工作量，将所有图像格式统一为jpg格式。

3.根据权利要求1所述的一种基于yolov8改进的低光照目标检测方法，其特征在于：步骤3所述将模型的损失函数更换为新型的mpdiou损失函数，是将损失函数ciou替换为新型mpdiou损失函数；所述的新型mpdiou损失函数直接最小化预测边界框与真实边界框之间的左上和右下点距离，mpdiou的公式如下：

4.根据权利要求1所述的一种基于yolov8改进的低光照目标检测方法，其特征在于：步骤3所述的在特征提取的主干网络backbone中加入global attention mechanism模块，具体实现过程为：在backbone主干网络中最后一个c2f模块后面加入global attentionmechanism模块，即在主干网络sppf层的上一层加入global attention mechanism模块；所述的global attention mechanism模块包括一个通道注意力子模块和一个空间注意力子模块。

5.根据权利要求1或4所述的一种基于yolov8改进的低光照目标检测方法，其特征在于：所述的global attention mechanism模块基于cbam注意力模块集成上重新设计通道与空间两个子模块实现，其中通道注意力子模块通过三维排...

【专利技术属性】
技术研发人员：马冰娅，周蕾，董妍妍，殷哲文，钟海莲，陈冠宇，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：