YOLOv8算法多种改进模型的有效性对比研究
龚宇翔1
高林1
张豪1
伏德粟2
1.湖北民族大学智能科学与工程学院,湖北恩施 4450002.浙江龙源新能源发展有限公司,杭州 310000
摘要：为解决目前你只看一次版本8(you only look once version 8,YOLOv8)算法的改进方法数量多、种类繁杂,缺少在同一数据集基准下目标检测效果对比的问题,基于视觉对象类别(visual object classes,VOC)(2007+2012)公开数据集,选取参数量较小的YOLOv8纳米型(YOLOv8 nano,YOLOv8n)算法作为基准模型,从注意力机制、主干网络、颈部网络、探测头以及损失函数5个方面进行改进,通过平均精确率均值(mean average precision,mAP)和检测速度筛选出最佳单一改进模块.进一步通过组合实验,得出mAP值最高、检测速度最快的2个组合模型.结果表明,相较于基准模型,效果最好的主干网络、颈部网络、探测头模块的mAP值分别提升了 2.50％(Repvit)、1.75％(CGDown)、1.75％(DyHead),检测速度分别提升了 12.85％(RGCSPELAN)、2.60％(WaveletPool)、20.22％(LSCD),效果最好的注意力机制模块的mAP值提升了 1.88％(CAFM),而损失函数对mAP值和检测速度均无明显提升.相较于基准模型,mAP值最高的组合模型的mAP值提高了 3.13％(YOLOv8n+CAFM+CGDown+DyHead),检测速度最快的组合模型的检测速度提高了 31.11％(YOLOv8n+RGCSPELAN+LSCD);前者适用于高精确率目标检测场景,后者适合部署在对实时性要求较高的边缘计算设备中.该研究能为YOLOv8算法的改进提供参考.
关键词：深度学习YOLOv8损失函数注意力机制网络结构改进VOC数据集检测速度精确率
分类号：TP301.6(计算技术、计算机技术)
资助基金：国家自然科学基金(12464004)国家自然科学基金(61562025)湖北省高等学校省级教学研究项目(2017387)湖北民族大学校内科研项目(XN2317)
论文发表日期：2024-12-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 470-479 )
英文信息