融合深度可分离卷积与高效注意力机制的轻量化YOLOv11车辆实时识别算法
宋梓棋
杨丹
王浩翔
刘壹林
吉利学院智能科技学院 四川成都 641423
摘要：针对智能交通系统中边缘计算设备对高实时性车辆检测算法的迫切需求,文章提出了一种通过对YOLOv11进行改进的轻量化车辆检测模型YOLOv11-Light.首先,为降低计算复杂度,运用深度可分离卷积去重构主干网络,形成轻量化特征提取骨架;其次,为补偿轻量化导致的特征退化并提高模型在复杂场景中的鲁棒性,在特征融合颈部网络中嵌入一种轻量化坐标注意力模块,该模块可高效建模通道关系和长距离空间依赖;最后,构建了一个包含多种具有挑战性场景的综合车辆数据集CityVehicles,并将其与公开数据集UA-DETRAC协同起来用于训练与评估.消融实验显示,所提出的两个模块协同工作,在精度与效率上实现了较好平衡.在对比实验当中,YOLOv11-Light以2.1×106参数量和4.3 MB模型大小,在UA-DETRAC测试集上达到了 89.1％的mAP@0.5和35帧/s(Jetson)的检测速度,其综合性能明显优于YOLOv5s、YOLOv8n等主流轻量模型,为资源受限环境中的高精度实时车辆检测提供了有效的技术方案.
关键词：YOLOv11车辆检测轻量化网络
资助基金：吉利学院三个校园教学改革研究项目(2025SGXYJG121)
论文发表日期：2026-03-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：5( 51-55 )