一種基于改進(jìn)YOLO的小目標(biāo)檢測(cè)模型近年來(lái)，隨著深度學(xué)習(xí)技術(shù)1的飛躍性進(jìn)步，計(jì)算機(jī)視覺領(lǐng)域中的目標(biāo)檢測(cè)任務(wù)已躍升為研究的焦點(diǎn)。目前，目標(biāo)檢測(cè)任務(wù)應(yīng)用范圍廣泛覆蓋了視頻監(jiān)控、工業(yè)自動(dòng)化檢測(cè)、醫(yī)療健康監(jiān)測(cè)等多個(gè)關(guān)鍵領(lǐng)域[2-3]，顯著提升了這些領(lǐng)域的效率與智能化水平。在這一背景下，通過(guò)計(jì)算機(jī)視覺技術(shù)減少對(duì)人力與資源的依賴，展現(xiàn)出重要的實(shí)際應(yīng)用價(jià)值與深遠(yuǎn)的社會(huì)意義。然而，盡管當(dāng)前主流的目標(biāo)檢測(cè)框架在多個(gè)方面取得了顯著成就，在處理小目標(biāo)檢測(cè)任務(wù)時(shí)仍面臨挑戰(zhàn)，這一局限在實(shí)際應(yīng)用場(chǎng)景中尤為突出[4。小目標(biāo)檢測(cè)，通常指的是尺寸在32×32像素或更小的目標(biāo)，其在無(wú)人機(jī)搜救中對(duì)災(zāi)民的精準(zhǔn)識(shí)別、自動(dòng)駕駛系統(tǒng)中對(duì)遠(yuǎn)處交通標(biāo)識(shí)及車輛的即時(shí)捕捉等場(chǎng)景中扮演著不可或缺的角色[5]。由于小目標(biāo)在圖像中的絕對(duì)尺寸較小且相對(duì)占比低，現(xiàn)有的目標(biāo)檢測(cè)算法在捕捉這些小目標(biāo)的特征時(shí)往往面臨困難，導(dǎo)致檢測(cè)性能出現(xiàn)下滑。這一現(xiàn)象促使研究界深入探索針對(duì)小目標(biāo)的優(yōu)化策略，以克服檢測(cè)精度與效率上的瓶頸，進(jìn)而推動(dòng)計(jì)算機(jī)視覺技術(shù)在更多復(fù)雜、精細(xì)場(chǎng)景中的有效應(yīng)用。如劉一江等提出一種基于YOLOv5s的安全帽改進(jìn)算法。該算法在EfficientRepGFPN基礎(chǔ)上引入淺層分支及轉(zhuǎn)置卷積替換PAFPN，補(bǔ)充淺層小目標(biāo)特征，減少上采樣中小目標(biāo)丟失的邊緣信息。田春欣等提出一種基于密集連接任務(wù)對(duì)齊的小目標(biāo)檢測(cè)算法DATNet。該算法采用CSPDarkNet網(wǎng)絡(luò)提取輸入圖像特征，通過(guò)密集連接的方式融入空洞卷積，添加注意力模塊捕捉感興趣的目標(biāo)區(qū)域，引入DIoU回歸損失函數(shù)通過(guò)任務(wù)對(duì)齊的檢測(cè)頭來(lái)訓(xùn)練模型。田鵬等[8提出了一種基于YOLOv8改進(jìn)的道路交通標(biāo)志目標(biāo)檢測(cè)算法。該算法利用BRA（bi-levelroutingattention）注意力機(jī)制和可形變卷積模塊DCNv3（deformableconvolutionv3）提升小目標(biāo)檢測(cè)能力。吳錦達(dá)等提出了一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法。該方法的核心在于提出細(xì)粒度上下文模塊構(gòu)建主干網(wǎng)絡(luò)，設(shè)計(jì)特征分化結(jié)構(gòu)以增強(qiáng)對(duì)應(yīng)尺寸目標(biāo)的特征表達(dá)，定義自適應(yīng)雙重焦點(diǎn)損失函數(shù)替換交叉熵?fù)p失函數(shù)。郭越等[提出了一種引入小目標(biāo)檢測(cè)層和基于空洞卷積與注意力機(jī)制的特征增強(qiáng)模塊的方法，旨在提升無(wú)人機(jī)航拍圖像的目標(biāo)檢測(cè)性能。盡管上述研究取得了一定的成就，但由于背景復(fù)雜、空間分辨率差異大、密集、小而不規(guī)則排列、遮擋、模糊等問題普遍存在，現(xiàn)有實(shí)際情況下密集小自標(biāo)檢測(cè)挑戰(zhàn)依然存在。尤為關(guān)鍵的是，現(xiàn)有算法在追求檢測(cè)精度的同時(shí)，往往犧牲了模型的計(jì)算效率和輕量化，導(dǎo)致模型尺寸龐大、推理速度慢，極大地限制了其在資源受限的嵌入式設(shè)備上的部署與應(yīng)用。因此，如何在保證檢測(cè)精度的前提下，實(shí)現(xiàn)檢測(cè)速度的提升和模型的輕量化，成為當(dāng)前小目標(biāo)檢測(cè)領(lǐng)域亟待解決的重要問題。為解決復(fù)雜場(chǎng)景密集小目標(biāo)檢測(cè)存在的缺陷，本文以YOLOv8為基礎(chǔ)，提出了一種改進(jìn)YOLO目標(biāo)檢測(cè)模型。通過(guò)使用幽靈瓶頸網(wǎng)絡(luò)（GhostBottleneckNetwork，GhostBNet）、多尺度自由注意力模塊（Multiscalefreeattentionmodule，MSFAM）、改進(jìn)特征金字塔網(wǎng)絡(luò)（ImprovedFeaturePyramidNetwork，IFPN）、動(dòng)態(tài)Soft-NMS（DynamicSoftNMS，DSNMS）等優(yōu)化策略，可以緩解復(fù)雜場(chǎng)景下密集小目標(biāo)的漏檢問題，實(shí)現(xiàn)檢測(cè)速度與精度的平衡。2改進(jìn)YOLO檢測(cè)模型本研究以基礎(chǔ)YOLOv8模型結(jié)構(gòu)為基準(zhǔn)，旨在優(yōu)化目標(biāo)檢測(cè)模型以適應(yīng)嵌入式設(shè)備的應(yīng)用需求，同時(shí)提升對(duì)小目標(biāo)的檢測(cè)能力。YOLOv8以其卓越的檢測(cè)精度著稱，但其高性能需求往往依賴于強(qiáng)大的GPU支持，這在資源受限的嵌入式環(huán)境中構(gòu)成挑戰(zhàn)。此外，基礎(chǔ)YOLOv8的核心在于采用跨階段部分Darknet（CrossStagePartialDarknet，CSPdarknet）作為特征提取框架，該框架通過(guò)深度網(wǎng)絡(luò)結(jié)構(gòu)擴(kuò)展了感受野，但伴隨而來(lái)的是特征圖維度的縮減，進(jìn)而增強(qiáng)了特征的語(yǔ)義抽象，卻犧牲了精確的位置信息，這對(duì)小目標(biāo)的精確定位尤為不利。為克服上述局限，本研究提出了一種改進(jìn)YOLO檢測(cè)模型，該模型集成了幽靈瓶頸網(wǎng)絡(luò)（GhostBottleneckNetwork，GhostBNet）、多尺度自由注意力模塊（Multiscalefreeattentionmodule，MSFAM）、改進(jìn)特征金字塔網(wǎng)絡(luò)（ImprovedFeaturePyramidNetwork，IFPN）、動(dòng)態(tài)Soft-NMS（DynamicSoftNMS，DSNMS）等策略，以增強(qiáng)小目標(biāo)檢測(cè)能力。改進(jìn)YOLO檢測(cè)模型結(jié)構(gòu)圖如圖1所示。具體而言，改進(jìn)YOLO檢測(cè)模型中，跨階段部分模塊（CrossStagePartialModule，CSPModule）、快速空間金字塔池化（SpatialPyramidPoolingFast，SPPF）、檢測(cè)頭等模塊與基礎(chǔ)YOLOv8網(wǎng)絡(luò)功能相同，均用于減少信道數(shù)和卷積操作，可有效提升了計(jì)算效率與速度。通過(guò)引入Ghost模塊構(gòu)建GhostBNet和DSNMS，從而進(jìn)一步提升模型的計(jì)算效率與檢測(cè)性能。此外，在FPN層的基礎(chǔ)上，改進(jìn)YOLO檢測(cè)模型還增加了一個(gè)反向的特征金字塔，并在上采樣過(guò)程中嵌入了MSFAM模塊，通過(guò)Concat操作將各層特征圖進(jìn)行有效融合，從而實(shí)現(xiàn)了特征信息的深度整合與高效傳遞。2.1GhostBNet在基礎(chǔ)YOLOv8模型設(shè)計(jì)中，處理豐富且潛在冗余的特征映射以實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的全面表征是一個(gè)核心挑戰(zhàn)。為了提升模型的效率與性能，本研究引入Ghost模塊作為傳統(tǒng)卷積層的替代方案，構(gòu)建了GhostBNet。GhostBNet由兩大核心組件構(gòu)成：主部分與殘余邊緣部分。主部分集成了Ghost模塊，負(fù)責(zé)生成主要的特征表示；而殘余邊緣部分則通過(guò)額外的卷積層（如2×2深度可分離卷積（Depthwiseseparableconvolution，DSC）與1×1標(biāo)準(zhǔn)卷積）進(jìn)一步增強(qiáng)特征信息的提取與傳遞能力。GhostBNet架構(gòu)如圖2所示。對(duì)于輸入的圖像，首先通過(guò)一個(gè)16通道的1×1標(biāo)準(zhǔn)卷積層（批量歸一化（Batchnormalization，BN）與修正線性單元（RectifiedLinearUnit，ReLu）激活函數(shù)）進(jìn)行初步處理。隨后，通過(guò)疊加（Add）多個(gè)Ghost模塊，逐步提取并融合多層次的特征信息。為了調(diào)整特征通道數(shù)，進(jìn)一步采用卷積層將特征層擴(kuò)展。接著，利用全局平均池化操作整合空間信息，并通過(guò)卷積層調(diào)整特征向量，為后續(xù)的分類任務(wù)做準(zhǔn)備。最后，采用平鋪操作將特征向量完全串聯(lián)，以優(yōu)化分類過(guò)程中的信息利用效率。Ghost模塊的核心在于通過(guò)較少的參數(shù)來(lái)生成更多的特征圖。在GhostBNet中，第一個(gè)Ghost模塊用作擴(kuò)展層，增加了通道數(shù)。這個(gè)擴(kuò)展層通過(guò)1x1卷積降低通道數(shù)，然后通過(guò)3x3深度卷積對(duì)每個(gè)通道特征圖提取特征，最后將兩次卷積的輸出特征圖在通道維度上堆疊，從而增加特征圖的通道數(shù)。這樣的設(shè)計(jì)允許網(wǎng)絡(luò)在保持參數(shù)數(shù)量較低的同時(shí)，捕獲更豐富的特征信息，這對(duì)于小目標(biāo)檢測(cè)尤其重要，因?yàn)樾∧繕?biāo)可能在特征圖中占據(jù)的區(qū)域較小，需要更多的通道來(lái)捕捉細(xì)節(jié)信息。而第二個(gè)Ghost模塊用于進(jìn)一步提取和融合特征，增強(qiáng)網(wǎng)絡(luò)對(duì)小目標(biāo)的識(shí)別能力。2.2MSFAM在深度學(xué)習(xí)領(lǐng)域，空間注意[1]（spatialattention，SA）機(jī)制通過(guò)映射原始圖像的空間信息至一個(gè)替代空間，不僅保留了圖像的核心特征，還增強(qiáng)了網(wǎng)絡(luò)對(duì)顯著區(qū)域的敏感度，使得網(wǎng)絡(luò)能夠自適應(yīng)地整合判別性強(qiáng)的全局與局部特征。另一方面，通道注意[2-13]（ChannelAttention，CA）機(jī)制則通過(guò)為不同通道的特征圖分配不同權(quán)重，實(shí)現(xiàn)了對(duì)特征重要性的量化評(píng)估。這一機(jī)制借助包含兩個(gè)全連接層的瓶頸架構(gòu)設(shè)計(jì)，既增強(qiáng)了通道注意模塊的非線性學(xué)習(xí)能力，又有效減少了模型參數(shù)，提升了計(jì)算效率與模型泛化能力?；诳臻g與通道注意機(jī)制的探索，本文提出了MSFAM，旨在融合并擴(kuò)展空間與通道注意的優(yōu)勢(shì)，并通過(guò)引入多尺度特征處理機(jī)制，使網(wǎng)絡(luò)能夠更靈活地捕捉圖像中跨尺度的復(fù)雜信息。MSFAM結(jié)構(gòu)如圖3所示。給定輸入特征映射向量，其中！h，w分別為特征映射向量的通道數(shù)、高、寬。MSFAM運(yùn)行時(shí)，首先通過(guò)SA模塊處理，得到增強(qiáng)空間信息的特征映射S∈Rc×h×w。隨后，采用1×1卷積核（核數(shù)為c/4）對(duì)空間信息特征映射s進(jìn)行卷積，生成降維后的特征映射D∈Rw×h×c/4，從而減少后續(xù)處理的計(jì)算負(fù)擔(dān)。為了捕獲多尺度特征，對(duì)D應(yīng)用四個(gè)并行分支，每個(gè)分支執(zhí)行不同的操作（如不同尺度的池化或卷積），從而生成多尺度特征張量P1∈Rw×h×c/4、P2∈Rw×h×c/4、P3∈Rw×h×c/4、P4∈Rw×h×c/40接下來(lái)，通過(guò)級(jí)聯(lián)（Concat）操作，這些多尺度特征張量被融合成單一的特征張量Q∈Rw×h×c，從而實(shí)現(xiàn)了跨尺度的特征集成。隨后，將輸入CA模塊，以評(píng)估并增強(qiáng)各通道特征的重要性，并輸出特征映射C∈Rw×h×c。最后，采用Add操作將原始空間增強(qiáng)特征s與通道增強(qiáng)特征c進(jìn)行融合，生成最終的特征映射H∈Rw×h×c，作為MSAM的輸出。2.3IFPN基礎(chǔ)YOLOv8架構(gòu)采用PANet結(jié)構(gòu)進(jìn)行多尺度特征融合，但這種融合方法不能充分利用不同尺度之間的特征，存在一定的檢測(cè)精度限制。具體而言，淺層網(wǎng)絡(luò)以其高分辨率特性，在定位準(zhǔn)確性上展現(xiàn)出優(yōu)勢(shì)；而深層網(wǎng)絡(luò)則因具備更廣闊的感受野，富含更多高層次的語(yǔ)義信息。為了克服上述瓶頸，本文引入了雙向特征金字塔網(wǎng)絡(luò)[14]（BidirectionalFeaturePyramidNetwork，Bi-FPN）作為特征融合的新范式，旨在深度優(yōu)化多尺度特征間的互補(bǔ)性與一致性。通過(guò)動(dòng)態(tài)調(diào)整各特征的權(quán)重，確保所有權(quán)重的有效性在[0，1]區(qū)間內(nèi)，從而在保持模型復(fù)雜度可控的同時(shí)，最大限度地提升融合效率與效果。動(dòng)態(tài)調(diào)整各特征的權(quán)重過(guò)程計(jì)算如下：式中：IFi為輸入特征向量；xFo為輸出特征向量；ωi和@j為可學(xué)習(xí)權(quán)值。需注意，該過(guò)程使用ReLU激活函數(shù)對(duì)[0，1]之間的可學(xué)習(xí)權(quán)值進(jìn)行縮放。此外，ε為一個(gè)較小的正數(shù)，以保證輸出穩(wěn)定。為了增強(qiáng)輸出層特征融合信息的能力，IFPN中還增加了跳躍連接形成融合模塊以進(jìn)一步作為一個(gè)整體參與融合。該過(guò)程各層之間的關(guān)系定義為：式中：fConv為卷積運(yùn)算；fRes為下采樣運(yùn)算；p為輸入特征圖；U為輸出的特征圖。通過(guò)構(gòu)建雙向特征金字塔網(wǎng)絡(luò)，可以提高檢測(cè)精度，減少模型的計(jì)算量。2.4改進(jìn)Soft-NMS在目標(biāo)檢測(cè)過(guò)程中，通常會(huì)有多個(gè)高置信度的邊界框圍繞在實(shí)際目標(biāo)周圍。為了解決這個(gè)問題，通常使用非極大抑制（Non-maximaSuppression，NMS）消除冗余的邊界框，確保每個(gè)對(duì)象只保留一個(gè)邊界框。NMS算法中抑制其他邊界框置信度而偏愛當(dāng)前置信度最高的邊界框的數(shù)學(xué)表達(dá)式為：式中：Si為檢測(cè)邊界框bi的置信度；Nm為預(yù)設(shè)的交并比（IntersectionoverUnion，IOU）閾值；M為置信度最高的邊界框。在密集物體檢測(cè)場(chǎng)景中，物體間的高度重疊常導(dǎo)致邊界框IOU超過(guò)預(yù)設(shè)閾值，進(jìn)而引發(fā)以低置信度錯(cuò)誤剔除邊界框的問題，增加了目標(biāo)漏檢的風(fēng)險(xiǎn)，對(duì)整體檢測(cè)性能構(gòu)成挑戰(zhàn)。盡管提高IOU閾值能在一定程度上緩解漏檢問題，卻不可避免地加劇了冗余檢測(cè)現(xiàn)象，單獨(dú)調(diào)整此閾值難以在召回率與準(zhǔn)確性之間達(dá)成理想平衡。為解決上述問題，Soft-NMS[15]引入了一個(gè)衰減函數(shù)機(jī)制，有效保留了更多潛在的有效檢測(cè)，同時(shí)避免了傳統(tǒng)NMS方法中的硬閾值截?cái)鄮?lái)的信息損失。Soft-NMS包含兩種不同形式的衰減，第一種衰減由以下數(shù)學(xué)表達(dá)式描述：式中：如果邊界框bi和置信度最高的邊界框M的IOU小于給定閾值Nm，則其置信水平保持不變；否則，當(dāng)其大于Nm時(shí)，其置信度Si根據(jù)重疊程度線性衰減。Soft-NMS衰減的第二種形式是連續(xù)衰減函數(shù)。該值用數(shù)學(xué)表達(dá)式表示如下：式中：σ為衰減因子。Soft-NMS將置信度Si乘以與IOU相關(guān)的高斯加權(quán)函數(shù)，當(dāng)IOU值較低時(shí)衰減較緩，當(dāng)IOU接近1時(shí)衰減程度較大。然而，受限于固定的比例因子，Soft-NMS難以全面適應(yīng)不同檢測(cè)對(duì)象特征的多樣性。具體而言，Soft-NMS在處理復(fù)雜場(chǎng)景時(shí)，可能因無(wú)法動(dòng)態(tài)調(diào)整閾值而錯(cuò)失部分有效檢測(cè)或引入不必要的冗余，特別是在物體分布密集且重疊嚴(yán)重的挑戰(zhàn)性環(huán)境中。鑒于此，本文提出了一種DSNMS方法。該方法核心在于引入了一種動(dòng)態(tài)閾值調(diào)整機(jī)制，允許根據(jù)檢測(cè)目標(biāo)的特征（如大小、形狀、紋理等）動(dòng)態(tài)調(diào)整閾值。這一設(shè)計(jì)旨在更精準(zhǔn)地評(píng)估邊界框的有效性，從而在保持高召回率的同時(shí)，減少誤檢和冗余，提升目標(biāo)檢測(cè)的準(zhǔn)確性和可靠性。DSNMS中，動(dòng)態(tài)閾值計(jì)算如下：式中：n為提取的邊界框個(gè)數(shù)。通過(guò)動(dòng)態(tài)閾值調(diào)整從而更靈活地調(diào)整不同的物體密度和分布來(lái)進(jìn)一步改善檢測(cè)性能。3實(shí)驗(yàn)結(jié)果分析為了驗(yàn)證改進(jìn)YOLO的效果，基于自制數(shù)據(jù)集進(jìn)行了訓(xùn)練和測(cè)試。3.1實(shí)驗(yàn)準(zhǔn)備自制數(shù)據(jù)集融合了開源數(shù)據(jù)、網(wǎng)絡(luò)攝像頭和旋翼無(wú)人機(jī)等現(xiàn)代成像設(shè)備采集的視頻數(shù)據(jù)，涵蓋了街道、公園等多樣化的復(fù)雜環(huán)境，主要研究對(duì)象包括人、安全帽等多尺度類型目標(biāo)。部分原始圖像數(shù)據(jù)集由網(wǎng)絡(luò)爬蟲爬?。徊糠衷家曨l數(shù)據(jù)集且包含50多個(gè)采集的視頻文件，總時(shí)長(zhǎng)超過(guò)20小時(shí)。所有視頻文件經(jīng)過(guò)抽幀處理并剔除嚴(yán)重污染圖像后，共收集到約2萬(wàn)幅圖像。此外，將所有圖像均通過(guò)開源的labelimg軟件進(jìn)行標(biāo)注，遵循PASCALVOC格式，確保了標(biāo)注的準(zhǔn)確性和一致性。部分?jǐn)?shù)據(jù)展示效果圖如圖4所示。為評(píng)估模型性能，數(shù)據(jù)集被劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，比例分別為8：1：1。值得注意的是，數(shù)據(jù)集中目標(biāo)尺寸分布多樣且不平衡，小型目標(biāo)占比高達(dá)45%，中間尺寸目標(biāo)約占40%，而大型目標(biāo)僅占約15%。實(shí)驗(yàn)時(shí)硬件環(huán)境設(shè)置如下：檢測(cè)網(wǎng)絡(luò)在Ubuntu20.04系統(tǒng)上使用PyTorch深度學(xué)習(xí)框架構(gòu)建。使用的處理器是第11代英特爾（R）酷睿（TM）i7-11700KF，運(yùn)行頻率為3.60GHz。使用的顯卡是NVIDIAGeForceGTX3060Ti，64GARM。改進(jìn)YOLO的超參數(shù)設(shè)置如下：令初始學(xué)習(xí)率設(shè)置為0.01，動(dòng)量為0.98，權(quán)重衰減因子為0.001，批大小為16，最大迭代周期為300，輸入圖像像素為640×640。實(shí)驗(yàn)時(shí)通過(guò)以下三個(gè)性能指標(biāo)評(píng)估網(wǎng)絡(luò)性能：精度、召回率、mAP@0.5、浮點(diǎn)計(jì)算（FLOPs）和參數(shù)量。需注意mAP@0.5為IoU閾值設(shè)置為0.5時(shí)的平均值。精度、召回率、mAP指標(biāo)計(jì)算公式如下：式中：Pre為精度，表征預(yù)測(cè)標(biāo)簽為正類的樣本中，預(yù)測(cè)正確的比值；REC為召回率，表征真值標(biāo)簽為正類的樣本中，預(yù)測(cè)正確的比例；TN為預(yù)測(cè)值和實(shí)際值均為負(fù)樣本的數(shù)量；FP為預(yù)測(cè)值為正樣本，但實(shí)際為負(fù)樣本的數(shù)量；FN為預(yù)測(cè)為負(fù)樣本，實(shí)際為正樣本的數(shù)量；TP預(yù)測(cè)和實(shí)際均為正樣本的數(shù)量；CN為類別的數(shù)量；APi為第i個(gè)目標(biāo)類別的平均精度。3.2實(shí)驗(yàn)與分析3.2.1消融實(shí)驗(yàn)為了深入探究GhostBNet、MSFAM、IFPN、DSNMS等策略對(duì)YOLOv8_s模型性能的具體影響，本節(jié)設(shè)計(jì)并實(shí)施了一系列消融實(shí)驗(yàn)。這些實(shí)驗(yàn)旨在通過(guò)逐步添加不同策略至基礎(chǔ)YOLOv8_s模型。消融實(shí)驗(yàn)對(duì)比結(jié)果如表1所示，包括不同策略組合下的精度、召回率、mAP@0.5、浮點(diǎn)計(jì)算量及參數(shù)量等關(guān)鍵指標(biāo)。首先，單獨(dú)添加GhostBNet至YOLOv8s模型后，模型參數(shù)量與浮點(diǎn)計(jì)算量顯著降低，分別降低了77.66%和64.26%。這一結(jié)果表明，GhostBNet作為一種輕量級(jí)網(wǎng)絡(luò)結(jié)構(gòu)，能夠有效減少模型復(fù)雜度，實(shí)現(xiàn)模型的輕量化。然而，精度指標(biāo)略有下降（約1.43%），召回率和mAP@0.5也略有降低，但幅度不大。這表明，雖然GhostBNet在降低模型復(fù)雜度方面表現(xiàn)出色，但也可能在一定程度上犧牲了部分檢測(cè)精度。隨后，在GhostBNet的基礎(chǔ)上添加MSFAM策略，模型參數(shù)量與浮點(diǎn)計(jì)算量進(jìn)一步降低，同時(shí)精度、召回率和mAP@0.5指標(biāo)值均顯著提升。具體而言，精度提升了6.25%，召回率提升了3.90%，mAP@0.5提升了3.46%。這一結(jié)果驗(yàn)證了MSFAM策略在提升模型檢測(cè)能力方面的有效性，特別是在處理密集或小目標(biāo)等復(fù)雜場(chǎng)景時(shí)表現(xiàn)出色。接下來(lái)，嘗試在GhostBNet上添加IFPN策略。與單獨(dú)添加GhostBNet相比，模型參數(shù)量、浮點(diǎn)計(jì)算量、精度、召回率和mAP@0.5指標(biāo)值均有所提升，但提升幅度適中。這表明IFPN策略對(duì)于提升模型檢測(cè)能力具有積極作用，但可能不如MSFAM策略顯著。此外，還探索了在GhostBNet上添加DSNMS策略的效果。實(shí)驗(yàn)結(jié)果顯示，模型參數(shù)量與浮點(diǎn)計(jì)算量大幅度降低，同時(shí)精度、召回率和mAP@0.5指標(biāo)值均有所提升。這表明DSNMS策略在優(yōu)化模型結(jié)構(gòu)的同時(shí)，也提升了模型的檢測(cè)能力。最后，將GhostBNet、MSFAM、IFPN、DSNMS等策略全部添加至YOLOv8_s模型，構(gòu)建出改進(jìn)后的YOLO模型。與原始YOLOv8_s模型相比，改進(jìn)后的模型在參數(shù)量和浮點(diǎn)計(jì)算量上分別降低了72.30%和52.06%，同時(shí)在精度、召回率和mAP@0.5指標(biāo)值上分別提升了8.90%、4.04%、4.32%。這一結(jié)果充分證明了所提策略的有效性和實(shí)用性，可實(shí)現(xiàn)高效輕量級(jí)部署。綜上所述，消融實(shí)驗(yàn)結(jié)果表明，GhostBNet、MSFAM、IFPN、DSNMS等策略在提升模型檢測(cè)能力、降低模型復(fù)雜度方面均表現(xiàn)出色。然而，不同策略對(duì)模型性能的影響存在差異，需根據(jù)具體應(yīng)用場(chǎng)景和需求進(jìn)行選擇和組合。3.2.2與主流實(shí)驗(yàn)對(duì)比本節(jié)系統(tǒng)評(píng)估了所提出的改進(jìn)YOLO模型在復(fù)雜場(chǎng)景下的目標(biāo)檢測(cè)能力，特別是在處理嚴(yán)重遮擋與密集小目標(biāo)挑戰(zhàn)時(shí)的表現(xiàn)?；鶞?zhǔn)對(duì)比模型包括：Faster-RCNN、YOLOv8_1、YOLOv8_s、YOLOv9_1、YOLOv9_s。對(duì)比指標(biāo)為mAP@0.5、參數(shù)量和浮點(diǎn)計(jì)算量。不同主流目標(biāo)檢測(cè)模型比較結(jié)果如表2所示?？梢钥闯觯岣倪M(jìn)YOLO模型在具有嚴(yán)重遮擋和密集小自標(biāo)的場(chǎng)景中表現(xiàn)出增強(qiáng)的檢測(cè)性能，優(yōu)于其他模型。具體而言，改進(jìn)YOLO在mAP@0.5指標(biāo)上超越了其他主流模型，參數(shù)量和浮點(diǎn)計(jì)算量指標(biāo)處于中等水平，這一結(jié)果充分驗(yàn)證了模型在速度與準(zhǔn)確性之間實(shí)現(xiàn)了良好的平衡。分析原因：通過(guò)在YOLO框架中集成MSFAM與DSNMS，模型能夠更有效地聚焦于與小目標(biāo)檢測(cè)密切相關(guān)的特征信息，同時(shí)抑制不必要的細(xì)節(jié)干擾，從而顯著優(yōu)化了檢測(cè)精度。DSNMS策略特別針對(duì)密集場(chǎng)景中的重疊檢測(cè)盒問題，通過(guò)動(dòng)態(tài)調(diào)整重疊檢測(cè)盒的置信度分?jǐn)?shù)，避免了不必要的重復(fù)檢測(cè)，有效減少了漏檢情況。通過(guò)對(duì)比與分析，可以明確看出，所提出的方法在復(fù)雜場(chǎng)景中的檢測(cè)性能優(yōu)于現(xiàn)有主流方法，為實(shí)際應(yīng)用中的目標(biāo)檢測(cè)任務(wù)提供了更加高效且精準(zhǔn)的解決方案。3.2.3展示效果對(duì)比本節(jié)評(píng)估了多種目標(biāo)檢測(cè)模型在復(fù)雜場(chǎng)景下的性能表現(xiàn)，特別是聚焦于處理具有挑戰(zhàn)性特征的目標(biāo)，如小尺寸、模糊邊緣、以及高密度且存在遮擋的聚類對(duì)象。展示效果對(duì)比實(shí)驗(yàn)中，選取YOLOv8s和YOLOv9s作為當(dāng)前流行的輕量級(jí)檢測(cè)模型代表。不同主流模型檢測(cè)效果對(duì)比圖如圖5所示。對(duì)比結(jié)果中YOLOv8_s和YOLOv9_s中無(wú)法有效檢測(cè)區(qū)域采用黑色橢圓標(biāo)記。可以看出，在針對(duì)特定復(fù)雜場(chǎng)景（如含小而模糊目標(biāo)或密集遮擋對(duì)象的圖像）的測(cè)試中，YOLOv8_s和YOLOv9s兩種模型均表現(xiàn)出不同程度的性能下降，主要體現(xiàn)在漏檢率上升及誤檢率增加上。相比之下，所提改進(jìn)YOLO檢測(cè)模型在應(yīng)對(duì)上述挑戰(zhàn)時(shí)展現(xiàn)出了更為穩(wěn)健的性能。通過(guò)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、引入更精細(xì)的特征融合機(jī)制以及采用增強(qiáng)的上下文信息建模策略，改進(jìn)YOLO模型在保持計(jì)算效率的同時(shí)，顯著提升了在復(fù)雜場(chǎng)景下的檢測(cè)準(zhǔn)確率。特別是在檢測(cè)小而模糊的目標(biāo)時(shí)，該模型能夠更有效地捕捉細(xì)微特征，減少漏檢；面對(duì)前景與背景嚴(yán)重遮擋的密集聚類對(duì)象，通過(guò)引入空間注意力機(jī)制與遮擋感知策略，有效提升了區(qū)分能力，降低了誤檢率。在計(jì)算機(jī)視覺領(lǐng)域，目標(biāo)檢測(cè)技術(shù)因其在多種應(yīng)用場(chǎng)景中的重要作用而受到廣泛關(guān)注。盡管當(dāng)前的目標(biāo)檢測(cè)算法在處理常規(guī)尺寸目標(biāo)時(shí)表現(xiàn)出色，但在小目標(biāo)檢測(cè)方面仍存在挑戰(zhàn)。為了克服這一難題，本文提出了一種改進(jìn)的YOLO目標(biāo)檢測(cè)模型，有效地提升了小目標(biāo)的檢測(cè)性能，并在計(jì)算效率上實(shí)現(xiàn)了優(yōu)化。盡管本文提出的模型在小目標(biāo)檢測(cè)方面取得了顯著的成果，但仍存在一些不足之處。例如，模型在處理極端小目標(biāo)時(shí)的性能仍有提升空間，且在某些復(fù)雜背景下的魯棒性也需要進(jìn)一步增強(qiáng)。未來(lái)的工作將集中在以下幾個(gè)方面：首先，進(jìn)一步優(yōu)化模型結(jié)構(gòu)，以提高對(duì)極端小目標(biāo)的檢測(cè)能力；其次，增強(qiáng)模型的泛化能力，使其在更多復(fù)雜場(chǎng)景下保持穩(wěn)定的性能；最后，探索更高效的特征融合和注意力機(jī)制，以實(shí)現(xiàn)更高的檢測(cè)精度和計(jì)算效率。[1]CHENGY，LAIX，XIAY，etal.InfraredDimSmallTargetDetectionNetworks：AReview.Sensors（Basel，Switzerland），2024，24（12）：[2]BENGAMRAS，MZOUGHIO，BIGANDA，etal.AcomprehensivesurveyonobjectdetectioninVisualArt：taxonomyandchallenge.MultimediaToolsandApplications，2023，83（5）：14637-14670.[3]張春節(jié)，羅瑞林，盧琳，等.基于MobileNet和遷移學(xué)習(xí)的微帶青煙葉圖像識(shí)別.云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，43（4）：46-48.[4]LINGX，ZHANGC，YANZ，etal.InfraredDimandsmalltargetdetectionbasedonLocal-GlobalFeatureFusion.AppliedSciences，2024，14（17）：7878.[5]WEIW，CHENY，HEJ，etal.Areviewofsmallobjectdetectionbasedondeeplearning.NeuralComputingandApplications，2024，36（12）：6283-6303.[6]劉一江，樊福景，王通.基于改進(jìn)YOLOv5的安全帽小目標(biāo)檢測(cè)算法.信息技術(shù)與信息化，2024（5）：115-119.[7]田春欣，陳緒君，鄭有凱.基于密集連接任務(wù)對(duì)齊的小目標(biāo)檢測(cè)算法.計(jì)算機(jī)工程與設(shè)計(jì)，2024，45（4）：1032-1038.[8]田鵬，毛力.改進(jìn)YOLOv8的道路交通標(biāo)志目標(biāo)檢測(cè)算法.計(jì)算機(jī)工程與應(yīng)用，2024，60（8）：202-212.[9]吳錦達(dá)，李強(qiáng).基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測(cè).軟件工程，2024，27（10）：7-11.[10]郭越，楊江濤，劉志.復(fù)雜場(chǎng)景下的無(wú)人機(jī)小目標(biāo)檢測(cè)算法.工業(yè)控制計(jì)算機(jī)，2024，37（9）：33-34+37.[11]敬輝，葛動(dòng)元，姚錫凡.基于改進(jìn)注意力與多尺度特征的車輛識(shí)別.計(jì)算機(jī)工程與設(shè)計(jì)，2024，45（10）：3120-3127.[12]臧珂.結(jié)合非對(duì)稱卷積組與通道注意力的遙感影像建筑檢測(cè)方法測(cè)繪與空間地理信息，2024，47（10）：87-90.[13]WANGG，LIQ，WANGN，etal.SAFPN：afullsemanticfeaturepyramidnetworkforobjectdetection.PatternAnalysisandApplications，2023，26（4）：1729-1739.[14]馮新偉，黃宇祥，王忠立.基于卷積塊注意力模塊和雙向特征金字塔網(wǎng)絡(luò)的接觸網(wǎng)支持裝置檢測(cè)方法研究.鐵道技術(shù)監(jiān)督，2023，51（4）：16-24.[15]CHENY，WANGL，DINGB，etal.AutomatedAlzheimer'sdiseaseclassificationusingdeeplearningmodelswithSoft-NMSandimprovedResNet50integration.JournalofRadiationResearchandAppliedSciences，2024，17（1）：100782.Abstract：Withtherapidd