研究改进的算法用于圆桶检测在公式无人竞争中
1School of Automobile and Traffic Engineering, Liaoning University of Technology, Jinzhou 121001, China.
Sensors (Basel, Switzerland)
|September 28, 2024
概括
一个轻量级的YOLOv8模型改善了自动驾驶比赛的赛道和桶检测. 改进提高了准确性和回忆力,同时减少了模型大小和计算能力,使其能够在微小设备上部署.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 像YOLOv8这样的物体检测模型在复杂的场景中面临挑战,包括大参数计数和计算需求.
- 在自动驾驶汽车比赛中,如"无人驾驶方程式"比赛中,有效检测赛车和桶非常重要.
研究的目的:
- 开发基于YOLOv8的轻量级物体检测模型,以提高检测赛车和桶的效率.
- 为了解决影响检测性能的复杂结构,参数冗余和计算方面的局限性.
主要方法:
- 通过增强骨干网络 (使用YOLOv9的ADown模块),子网络 (用FasterNet的FasterBlock取代YOLOv8 C2f的融合模块) 和检测头,提出了一种轻量级的检测模型.
- 综合知识蒸以进一步优化检测性能.
- 使用FSACOCO数据集进行实验验证.
主要成果:
- 改进的模型在FSACOCO数据集上实现了92.7%的精度,84.6%的回忆率和91%的平均精度.
- 与原始YOLOv8n模型相比,显示回忆率增加了2.7%,平均精度增加了1.2%.
- 减少了50%的模型内存和51%的计算,同时显著减少了错误检测并确保了高检测速度.
结论:
- 开发的轻量级YOLOv8模型有效地提高了赛车和桶的检测,满足了在自主赛车中部署在微型设备上的严格要求.
- 提议的改进为复杂环境中的物体检测提供了可行的解决方案,并且可以扩展到其他小型目标检测任务.
更多相关视频
08:13SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware
Published on: December 25, 2017
8.1K
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.6K
