基于改进YOLOv8的交通监控车辆检测算法

针对目前复杂交通监控场景下车辆检测精度不足、检测速度慢的问题，提出一种基于YOLOv8模型的轻量级车辆检测算法。采用FasterNet替换YOLOv8的骨干特征提取网络，减少了冗余计算和内存访问，提高了模型的检测精度和推理速度；在Backbone和Neck部分添加SimAM注意力模块，在不增加原始网络参数的同时增强了目标车辆的重要特征，提高了模型的特征融合能力；针对密集车流下小尺寸车辆检测效果不佳的问题，添加小目标检测头，更好地捕获小尺寸车辆的特征和上下文信息；使用可自适应调整权重系数的Wise-IoU作为改进模型的损失函数，提升了边界框的回归性能和检测的鲁棒性。在UA-DETRAC数据集的实验结果表明，相较于原模型，改进方法在交通监控系统中能够达到较好的检测精度和速度，mAP和FPS分别提高了3.06个百分点和3.36%，有效改善了复杂交通场景下小目标车辆检测效果不佳的问题，并在精度和速度之间取得了很好的平衡。