【技术实现步骤摘要】
本专利技术涉及自动驾驶，特别涉及一种用于改进自动驾驶系统的小目标检测模型。该小目标检测模型基于yolov8，用于提高在复杂驾驶场景中小目标的检测精度和实时性，从而增加自动驾驶系统的安全性和鲁棒性。
技术介绍
1、自动驾驶技术的发展已经取得了巨大进展，将人工智能和计算机视觉技术应用于汽车领域，使汽车能够在没有人类驾驶干预的情况下进行导航和决策。然而，在实际道路环境中，自动驾驶面临着各种复杂因素，包括复杂的道路结构、不断变化的交通情况、各种天气条件、光照变化以及道路上的各种障碍物。
2、目标检测作为自动驾驶技术中至关重要的一部分，负责识别和定位道路上的各种物体，包括其他车辆、行人、自行车、标志和交通信号等。目标检测的准确性和实时性直接影响到自动驾驶系统的安全性和可行性。在复杂场景中，小目标的检测尤为具有挑战性，因为它们容易受到遮挡、光照不足以及远距离的影响。
3、传统的目标检测方法在小目标检测方面存在一些局限性，包括精度不足和处理速度不够快。因此，需要一种新的方法，以提高小目标检测的性能，并满足实时性要求。
技术实现思路
1、1.基于yolov8的自动驾驶小目标检测模型，其特征在于，该方法包括以下步骤：
2、步骤1：选取soda10m数据集，对其中已经标注的数据进行划分，划分为训练集、验证集、测试集。
3、步骤2：构建改进的yolov8网络结构，其中包括添加注意力机制、改进目标检测层、设计目标检测头，用于特征提取和目标检测。
5、步骤4：利用验证集对训练后的模型进行验证和调优，以确保模型的泛化性能和鲁棒性。
6、步骤5：在测试集上对训练和验证后的模型进行测试，以评估其在自动驾驶场景中对小目标物体的检测性能。
7、2.根据权利要求1所述的基于yolov8的自动驾驶小目标检测模型，其特征在于，所述步骤1中，soda10m是一个新的大规模2d自动驾驶目标检测数据集，包含6个代表性物体类别的标注图像，分别是行人、自行车人员、汽车、卡车、电车、三轮车。同时数据丰富多样，图片从32个不同的城市中选取，囊括了中国的大部分区域。同时图片包含了多种不同的道路场景(城市，高速，城乡道路，园区)，天气(晴天，多云，雨天，雪天)，时间段(白天，晚上，凌晨，黄昏)。通过随机抽样的划分方法将数据集划分为训练集、验证集和测试集，为模型的训练、验证和评估模型性能提供可靠的数据支持，确保模型能够充分学习不同情况下的小目标检测任务，增强其泛化性能。
8、3.根据权利要求1所述的基于yolov8的自动驾驶小目标检测模型，其特征在于，所述步骤2中，针对小目标检测任务而改进的结构包括以下关键组成部分：
9、(1)添加注意力机制：在特征提取网络中引入了注意力机制，这一创新的步骤使得模型能够更好地聚焦于小目标区域。通过这种方式，模型能够提高对小目标的关注程度，提高小目标检测的精度。注意力机制的引入使得模型能够根据场景的需求更好地分配计算资源，从而提高检测性能。
10、(2)改进目标检测层：在模型的目标检测层进行了优化，以更好地适应小目标的检测需求。这包括优化目标检测算法和网络层次结构，使得模型更适合处理小目标检测任务。这一步骤的目的是提高模型对小目标的检测能力，减少误检和漏检的情况。
11、(3)设计目标检测头：针对原yolov8算法的目标检测头仅简单处理边界框坐标和类别概率的不足，引入动态检测头。该检测头融合了尺度感知、空间感知、任务感知。
12、4.根据权利要求1所述的基于yolov8的自动驾驶小目标检测模型，其特征在于，所述步骤3中，使用准备好的训练数据集进行模型的训练，以最大程度提高小目标检测的准确性。训练具体步骤为：
13、(1)前向传播：在模型训练的每个迭代中，将训练集中的图像数据通过神经网络进行前向传播。即图像数据传递给模型，经过一系列卷积和激活层，在每一层，输入数据被加权、激活和转换，逐渐提取更高级别的特征。
14、(2)损失计算：在这一阶段，计算模型的预测框和真实框之间的损失值，包括目标分类误差、目标位置误差、目标置信度误差。其中，分类损失采用varifocal loss，而回归损失包括complete intersection over union loss和distribution focal loss。vfl公式如下：
15、
16、其中q为样本的标签，p为模型的预测概率，α和v是超参数。当q大于0时，处理正样本，如果预测概率p接近实际标签q，则损失较小，否则损失较大。当q等于0时，处理负样本，使用pγ进行降权，降低负样本对损失的影响。
17、ciou主要作用是测量预测框与真实目标框之前重叠的程度，类似于传统的iou指标，但ciou更加精确和全面，在处理高度重叠或不完整目标框的情况下表现良好。其公式如下：
18、
19、
20、
21、
22、b，bgt分别表示预测框和真实框的中心点，ρ表示两个中心点的欧氏距离，c表示预测框和真实框最小外接矩形的对角线长，a表示平衡系数，v是衡量长宽比一致的参数，w、h和wgt、hgt分别代表预测框的宽高和真实框的宽高。
23、dfl结合了focal loss和分布损失的思想，目的是减轻目标检测中正负样本分布不均衡的问题。公式如下：
24、dfl(si,si+1)＝-((yi+1-y)log(si)+(y-yi)log(si+1)) (6)
25、si和si+1表示标签分布的两个界限，y表示正样本的位置，通常为一个小数，yi和yi+1表示标签分布的整数部分，即正类别的界限。dfl以交叉熵的形式优化与样本y最接近的2个位置的概率从而使网络更快地聚焦到目标位置的临近区域。
26、(3)反向传播：在这一阶段，根据损失函数计算模型参数的梯度，即计算损失函数对网络参数的偏导数。这一过程从网络的输出层向后传播误差，以计算每个参数对损失函数的贡献。
27、(4)优化算法：在训练过程中，选择了随机梯度下降(sgd)作为优化算法。sgd根据计算得到的梯度信息和预定义的学习率，来更新模型的参数，以降低损失函数的值。
28、(5)训练批次：训练数据集划分为小批次进行训练，加速训练过程。每个小批次包含16组图像数据，模型在每个小批次上进行前向传播、损失计算、反向传播和参数更新。
29、5.根据权利要求1所述的基于yolov8的自动驾驶小目标检测模型，其特征在于，所述步骤4中，使用事先划分的验证集，其中包含了不参与训练的独立数据样本。这些数据样本用于评估模型在未见过的数据上的性能。验证集的数据涵盖了各种场景、不同光照条件、各种天气和遮挡情况，以确保模本文档来自技高网...
【技术保护点】
1.基于YOLOv8的自动驾驶小目标检测模型，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于YOLOv8的自动驾驶小目标检测模型，其特征在于，所述步骤1中，SODA10M是一个新的大规模2D自动驾驶目标检测数据集，包含6个代表性物体类别的标注图像，分别是行人、自行车人员、汽车、卡车、电车、三轮车。同时数据丰富多样，图片从32个不同的城市中选取，囊括了中国的大部分区域。同时图片包含了多种不同的道路场景(城市，高速，城乡道路，园区)，天气(晴天，多云，雨天，雪天)，时间段(白天，晚上，凌晨，黄昏)。通过随机抽样的划分方法将数据集划分为训练集、验证集和测试集，为模型的训练、验证和评估模型性能提供可靠的数据支持，确保模型能够充分学习不同情况下的小目标检测任务，增强其泛化性能。
3.根据权利要求1所述的基于YOLOv8的自动驾驶小目标检测模型，其特征在于，所述步骤2中，针对小目标检测任务而改进的结构包括以下关键组成部分：
4.根据权利要求1所述的基于YOLOv8的自动驾驶小目标检测模型，其特征在于，所述步骤3中，使用准备好的训练数据集进行
5.根据权利要求1所述的基于YOLOv8的自动驾驶小目标检测模型，其特征在于，所述步骤4中，使用事先划分的验证集，其中包含了不参与训练的独立数据样本。这些数据样本用于评估模型在未见过的数据上的性能。验证集的数据涵盖了各种场景、不同光照条件、各种天气和遮挡情况，以确保模型具有广泛的适应性。同时检测过拟合问题，如果模型在验证集上表现良好但在测试集上表现较差，可能存在过拟合的问题。在这种情况下，需要采取措施，如增加训练数据、减小模型复杂度或增加正则化来改善模型的泛化性能。
6.根据权利要求1所述的基于YOLOv8的自动驾驶小目标检测模型，其特征在于，所述步骤5中，使用事先划分的测试集，其中包含了与验证集不同的、独立的数据样本。并对性能进行全面评估。评价指标包括平均精度(mAP)，参数量(Parameters)，计算量(FLOPs)，检测帧率(FPS)。相关评价指标的计算公式如下：
...【技术特征摘要】
1.基于yolov8的自动驾驶小目标检测模型，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于yolov8的自动驾驶小目标检测模型，其特征在于，所述步骤1中，soda10m是一个新的大规模2d自动驾驶目标检测数据集，包含6个代表性物体类别的标注图像，分别是行人、自行车人员、汽车、卡车、电车、三轮车。同时数据丰富多样，图片从32个不同的城市中选取，囊括了中国的大部分区域。同时图片包含了多种不同的道路场景(城市，高速，城乡道路，园区)，天气(晴天，多云，雨天，雪天)，时间段(白天，晚上，凌晨，黄昏)。通过随机抽样的划分方法将数据集划分为训练集、验证集和测试集，为模型的训练、验证和评估模型性能提供可靠的数据支持，确保模型能够充分学习不同情况下的小目标检测任务，增强其泛化性能。
3.根据权利要求1所述的基于yolov8的自动驾驶小目标检测模型，其特征在于，所述步骤2中，针对小目标检测任务而改进的结构包括以下关键组成部分：
4.根据权利要求1所述的基于yolov8的自动驾驶小目标检...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。