基于改进 YOLOv8 的乡村无信号灯交叉口多目标检测方法

邹佳鑫; 李冰彦; 鄢然; 邓鑫楠; 罗建; 廖杨

doi:10.70693/cjst.v2i4.2060

Authors

邹佳鑫西华大学
李冰彦西华大学
鄢然西华大学
邓鑫楠西华大学
罗建西华大学
廖杨西华大学

DOI:

https://doi.org/10.70693/cjst.v2i4.2060

Keywords:

交通安全；乡村无信号灯交叉口多目标检测；改进YOLOv8；轻量化目标检测

Abstract

针对乡村无信号灯交叉口交通参与者类型复杂、目标尺度差异明显以及遮挡和背景干扰较强等问题，本文提出一种改进 YOLOv8n 的轻量化多目标检测方法。该方法在保持 YOLOv8n 单阶段检测框架的基础上，引入 EfficientViT2、DySample、EMA 注意力机制和 MPDIoU 回归损失，分别从特征提取、多尺度融合、关键区域响应和边界框定位等方面提升模型对复杂乡村交通场景的适应能力。基于自建乡村无信号灯交叉口数据集，本文开展模型对比实验和消融分析。结果表明，最终组合模型在 Precision、Recall、mAP@0.5、mAP@0.5:0.95 和 F1-score 上均优于基线模型，其中 mAP@0.5 和 mAP@0.5:0.95 分别达到 0.771 和 0.532，较 YOLOv8n 分别提升 0.104 和 0.113。研究表明，所提方法能够有效提升复杂乡村无信号灯交叉口场景下的多目标检测性能，可为乡村道路交通安全预警提供视觉感知支持。

References

[1] 张名芳, 马艳华, 马勇. 无信号交叉口人车冲突严重程度影响因素分析[J]. 中国安全科学学报, 2023, 33(8): 190.

[2] 赵丹, 马社强, 张雨萌, 等. 农村公路交叉口交通事故特征关联性与风险因素分析[J].中国安全科学学报, 2020, 30(07):146-151.

[3] 华夏, 王新晴, 王东, 等. 基于改进 SSD 的交通大场景多目标检测[J]. Acta Optica Sinica, 2018, 38(12): 1215003.

[4] 曲立国, 张鑫,卢自宝, 等. 基于改进 YOLOv5 的交通标志识别方法[J]. 光电工程, 2025, 51(6): 240055-1-240055-13.

[5] 岑伟迪, 江佳玲, 黄勃, 等.YOLO十年演进：从实时检测先锋到多任务智能前沿[J/OL]. 武汉大学学报(理学版), 1-16[2025-10-17].

[6] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 779-788.

[7] Ma S, Xu Y. Mpdiou: a loss for efficient and accurate bounding box regression[J]. arXiv preprint arXiv:2307.07662, 2023.

[8] 马鸽, 李洪伟, 严梓维, 等. 基于多注意力的改进 YOLOv5s 小目标检测算法[J]. 工程科学学报, 2024, 46(9): 1647-1658.

[9] Liu W, Lu H, Fu H, et al. Learning to upsample by learning to sample[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2023: 6027-6037.

[10] Cai H, Li J, Hu M, et al. Efficientvit: Multi-scale linear attention for high-resolution dense prediction[J]. arXiv preprint arXiv:2205.14756, 2022.

[11] Ouyang D, He S, Zhang G, et al. Efficient multi-scale attention module with cross-spatial learning[C]//ICASSP 2023-2023 IEEE international conference on acoustics, speech and signal processing (ICASSP). IEEE, 2023: 1-5.

[12] Li X, Wang W, Wu L, et al. Generalized focal loss: Learning qualified and distributed bounding boxes for dense object detection[J]. Advances in neural information processing systems, 2020, 33: 21002-21012.

[13] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2117-2125.

[14] Gevorgyan Z. SIoU loss: More powerful learning for bounding box regression[J]. arXiv preprint arXiv:2205.12740, 2022.