面向车路协同的路侧交通目标检测模型及部署

doi:10.11772/j.issn.1001-9081.2024040424

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (3): 1016-1024.DOI: 10.11772/j.issn.1001-9081.2024040424

• 前沿与综合应用 • 上一篇

面向车路协同的路侧交通目标检测模型及部署

王泉¹^,²(), 曹心雨¹, 陈祺东²

^1.南京信息工程大学电子与信息工程学院，南京 210044
^2.无锡学院物联网工程学院，江苏无锡 214105

收稿日期:2024-04-10 修回日期:2024-08-01 接受日期:2024-08-02 发布日期:2025-03-17 出版日期:2025-03-10
通讯作者: 王泉
作者简介:曹心雨（1999—），男，江苏新沂人，硕士研究生，主要研究方向：车联网、边缘计算
陈祺东（1992—），男，浙江湖州人，讲师，博士，主要研究方向：自然语言处理、群体智能优化。
基金资助:
道路交通安全公安部重点实验室开放课题(2024ZDSYSKFKT01?2);无锡学院科研启动经费资助项目(2023R001)

Roadside traffic object detection model and deployment for vehicle-road collaboration

Quan WANG¹^,²(), Xinyu CAO¹, Qidong CHEN²

^1.School of Electronics and Information Engineering，Nanjing University of Information Science and Technology，Nanjing Jiangsu 210044，China
^2.School of IoT Engineering，Wuxi University，Wuxi Jiangsu 214105，China

Received:2024-04-10 Revised:2024-08-01 Accepted:2024-08-02 Online:2025-03-17 Published:2025-03-10
Contact: Quan WANG
About author:CAO Xinyu， born in 1999， M. S. candidate. His research interests include internet of vehicles， edge computing.
CHEN Qidong， born in 1992， Ph. D.， lecturer. His research interests include natural language processing， swarm intelligence optimization.
Supported by:
Open Project of Key Laboratory of Ministry of Public Security for Road Traffic Safety(2024ZDSYSKFKT01-2);Research Start-up Fund of Wuxi University(2023R001)

摘要/Abstract

摘要：

车路协同旨在通过信息交换和协作实现智能高效的交通管理，其中高精度、轻量化且易于部署的路侧视角下的车辆与行人检测至关重要。因此，提出基于改进YOLOv8的轻量化交通目标检测模型。首先，引入FasterNet中的FasterBlock替换原始C2f中的某些瓶颈组件，以减少浮点运算量（GFLOPs）和参数量，降低整体模型的复杂性；其次，在模型的颈部网络采用兼顾速度和精度的GSConv（Group Shuffle Convolution）替代原有的卷积核，并引入SlimNeck特征融合模块，使每个特征层能够同时考虑深层特征的语义信息和浅层特征的细节；再次，使用MPDIoU（Minimum Point Distance based Intersection over Union）替换原有的损失函数，以提高模型的边界框回归性能；最后，通过通道剪枝修剪模型网络中的冗余连接，以减小模型规模并提高检测速度。实验结果表明，经过改进和剪枝的模型与原始YOLOv8s相比，精度提升了1.0个百分点，平均精度均值（mAP）提升了1.2个百分点，计算量和参数量分别降低了70.1%和69.4%。并且，在边缘设备Atlas 200I DK A2（算力4 TOPS，功耗9 W）的条件下，所提模型达到了58.03 frame/s的检测速度。

关键词: 车路协同, YOLOv8, 损失函数, 模型剪枝, 嵌入式部署, 边缘计算

Abstract:

Vehicle-road collaboration aims to achieve intelligent and efficient traffic management through information exchange and collaboration， in which accurate， lightweight， and easily deployable vehicle and pedestrian detection from the roadside perspective is crucial. To this end， a lightweight traffic object detection model based on improved YOLOv8 was proposed. Firstly， the FasterBlock from FasterNet was introduced to replace certain bottleneck components in the original C2f， thereby reducing Giga FLOating-Point operations （GFLOPs） and parameters effectively， thus reducing the overall model complexity. Secondly， the GSConv （Group Shuffle Convolution） that balanced speed and precision was adopted in the neck network of the model to replace the original convolutional kernel， and the SlimNeck feature fusion module was introduced， enabling each feature layer to consider the semantic information of deep features and the details of shallow features simultaneously. Thirdly， the MPDIoU （Minimum Point Distance based Intersection over Union） was used to replace the original loss function， so as to improve the bounding box regression performance of the model. Finally， the channel pruning was performed to remove redundant connections in the model network， thereby reducing the model size and improving the detection speed. Experimental results show that compared to the original YOLOv8s， the improved and pruned model has the precision increased by 1.0 percentage points， the mean Average Precision （mAP） increased by 1.2 percentage points， and the computational cost and parameters reduced by 70.1% and 69.4% respectively. Under the conditions of edge device Atlas 200I DK A2 （computing power 4 TOPS， power consumption 9 W）， the proposed model has a detection speed of 58.03 frame/s.

Key words: vehicle-road collaboration, YOLOv8, loss function, model pruning, embedded deployment, edge computing

中图分类号:

TP183

王泉, 曹心雨, 陈祺东. 面向车路协同的路侧交通目标检测模型及部署[J]. 计算机应用, 2025, 45(3): 1016-1024.

Quan WANG, Xinyu CAO, Qidong CHEN. Roadside traffic object detection model and deployment for vehicle-road collaboration[J]. Journal of Computer Applications, 2025, 45(3): 1016-1024.

图/表 19

图1 改进的YOLOv8模型结构

Fig. 1 Improved YOLOv8 model structure

图2 常规卷积与PConv结构

Fig. 2 Regular convolution and PConv structures

图3 FasterBlock和C2f-Faster结构

Fig. 3 Structures of FasterBlock and C2f-Faster

图4 应用于YOLOv8的SlimNeck

Fig. 4 SlimNeck applied to YOLOv8

图5 GSConv结构

Fig. 5 GSConv structure

图6 GSbottleneck与VoV-GSCSP的结构

Fig. 6 Structures of GSbottleneck and VoV-GSCSP

图7 MPDIoU计算

Fig. 7 MPDIoU calculation

图8 迭代网络剪枝的流程

Fig. 8 Flow of iterative network pruning

图9 数据集部分图像

Fig. 9 Some images in dataset

图10 数据增强效果示意图

Fig. 10 Schematic diagrams of data augmentation effects

图11 稀疏训练结果对比

Fig. 11 Comparison of sparse training results

表1 不同剪枝率下改进后模型的性能对比

Tab. 1 Performance comparison of improved models under different pruning rates

剪枝率/%	P/%	GFLOPs	Params/10⁶	FPS/（frame·s^-1）
0	97.3	21.4	9.1	422
10	96.2	19.2	8.0	476
20	97.1	17.1	6.6	529
30	97.2	14.9	5.6	548
40	96.8	12.7	4.5	573
50	97.1	10.6	4.1	600
60	96.7	8.5	3.4	633
70	89.2	6.3	2.7	756
80	77.3	4.2	2.1	985
90	50.2	2.0	1.4	1 136

图12 剪枝前后通道对比

Fig. 12 Comparison of channels before and after pruning

表2 部分目标检测模型的性能对比

Tab. 2 Performance comparison of some object detection models

模型	P/%	mAP/%	GFLOPs	Params/10⁶
SSD^［25］	62.5	52.2	62.7	24.2
Faster R-CNN^［26］	73.4	76.4	370.1	137.2
YOLOv4-tiny^［27］	83.4	78.1	11.7	6.4
YOLOv5s	93.1	95.8	15.8	7.0
YOLOv7-tiny^［28］	90.6	88.9	13.2	6.1
YOLOv8s	95.7	97.1	28.4	11.1
YOLOv8-FasterNet	93.5	95.6	21.7	8.6
YOLOv8-RevCol	95.1	96.6	21.2	8.2
YOLOv8-Embedded	97.3	98.4	21.4	9.1
YOLOv8-Embedded+60%剪枝	96.7	98.3	8.5	3.4

表3 消融实验结果

Tab. 3 Ablation experimental results

模型	C2f-Faster	SlimNeck	MPDIoU	60%剪枝	P/%	mAP/%	GFLOPs	FPS/（frame·s^-1）
YOLOv8s					95.7	97.1	28.4	422
A	√				95.2	97.2	24.2	437
B		√			95.5	97.3	25.6	430
C			√		95.8	97.5	28.4	420
D	√	√			95.1	97.9	21.4	447
E	√	√	√		97.3	98.4	21.4	446
F	√	√	√	√	96.7	98.3	8.5	633

图13 模型部署的流程

Fig. 13 Flow of model deployment

表4 模型部署到嵌入式设备后的性能

Tab. 4 Model performance after deployment to embedded device

模型	剪枝率/%	模型大小/MB		FPS/（frame·s^-1）
模型	剪枝率/%	.onnx	.om	FPS/（frame·s^-1）
YOLOv8s	0	42.6	22.3	46.90
YOLOv8-Embedded	0	31.4	17.7	50.90
	30	18.2	12.2	47.63
	40	14.0	10.2	49.54
	50	12.4	9.3	54.38
	60	9.7	7.9	58.03

图14 不同模型的PR曲线

Fig. 14 PR curves of different models

图15 可视化推理结果分析

Fig. 15 Analysis of visual reasoning results

参考文献 29

1	李炳萱. 面向路侧感知的车辆与行人检测及跟踪算法研究［D］. 北京：北京交通大学， 2023： 1-2.
	LI B X. Research on vehicle and pedestrian detection and tracking algorithms for roadside sensing［D］. Beijing： Beijing Jiaotong University， 2023： 1-2.
2	周庆，任明武. 一种基于YOLOX改进的路侧目标检测方法［J］. 计算机与数字工程， 2023， 51（10）： 2323-2329.
	ZHOU Q， REN M W. An improved roadside object detection method based on YOLOX［J］. Computer and Digital Engineering， 2023， 51（10）： 2323-2329.
3	REDMON J， DIVVALA S K， GIRSHICK R， et al. You only look once： unified， real-time object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 779-788.
4	刘子洋，徐慧英，朱信忠，等. Bi-YOLO：一种基于YOLOv8n改进的轻量化目标检测算法［J］. 计算机工程与科学， 2024， 46（8）： 1444-1454.
	LIU Z Y， XU H Y， ZHU X Z， et al. Bi-YOLO： an improved lightweight object detection algorithm based on YOLOv8n［J］. Computer Engineering and Science， 2024， 46（8）： 1444-1454.
5	杨睿宁，惠飞，金鑫，等. 改进YOLOv5s的复杂交通场景路侧目标检测算法［J］. 计算机工程与应用， 2023， 59（16）： 159-169.
	YANG R N， HUI F， JIN X， et al. Roadside target detection algorithm for complex traffic scene based on improved YOLOv5s［J］. Computer Engineering and Applications， 2023， 59（16）： 159-169.
6	ZHANG Y F， REN W， ZHANG Z， et al. Focal and efficient IOU loss for accurate bounding box regression［J］. Neurocomputing， 2022， 506： 146-157.
7	ZHENG Z， WANG P， LIU W， et al. Distance-IoU loss： faster and better learning for bounding box regression［C］// Proceedings of the 34th 2020 AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 12993-13000.
8	罗江宏，袁梓麒，易志雄. 基于改进的YOLOv5城市道路车辆行人检测方法［J］. 电子制作， 2023， 31（19）： 67-72.
	LUO J H， YUAN Z Q， YI Z X. An improved YOLOv5 method for vehicle and pedestrian detection on urban roads［J］. Practical Electronics， 2023， 31（19）： 67-72.
9	HUANG L， HUANG W， GONG H， et al. PEFNet： position enhancement faster network for object detection in roadside perception system［J］. IEEE Access， 2023， 11： 73007-73023.
10	CHEN J， KAO S H， HE H， et al. Run， don’t walk： chasing higher FLOPS for faster neural networks［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023：12021-12031.
11	LI H， LI J， WEI H， et al. Slim-neck by GSConv： a better design paradigm of detector architectures for autonomous vehicles［J］. Journal of Real-Time Image Processing， 2024， 21： No.62.
12	MA S， XU Y. MPDIoU： a loss for efficient and accurate bounding box regression［EB/OL］. ［2024-07-14］. .
13	ZHU C， HE Y， SAVVIDES M. Feature selective anchor-free module for single-shot object detection［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019：840-849.
14	MITICHE I， MORISON G， NESBITT A， et al. Classification of partial discharge signals by combining adaptive local iterative filtering and entropy features［J］. Sensors， 2018， 18（2）： No.406.
15	ZHANG X， ZHOU X， LIN M， et al. ShuffleNet： an extremely efficient convolutional neural network for mobile devices［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 6848-6856.
16	HAN K， WANG Y， TIAN Q， et al. GhostNet： more features from cheap operations［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 1577-1586.
17	LIU Z， LI J， SHEN Z， et al. Learning efficient convolutional networks through network slimming［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2755-2763.
18	WU D， LV S， JIANG M， et al. Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments［J］. Computers and Electronics in Agriculture， 2020， 178： No.105742.
19	WANG D， HE D. Channel pruned YOLO V5s-based deep learning approach for rapid and accurate apple fruitlet detection before fruit thinning［J］. Biosystems Engineering， 2021， 210： 271-281.
20	FANG G， MA X， SONG M， et al. DepGraph： towards any structural pruning［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 16091-16101.
21	CHEN X， ZHU J， JIANG J， et al. Tight compression： compressing CNN model tightly through unstructured pruning and simulated annealing based permutation［C］// Proceedings of the 57th ACM/EDAC/IEEE Design Automation Conference. Piscataway： IEEE， 2020： No.243.
22	SITU Z， TENG S， LIAO X， et al. Real-time sewer defect detection based on YOLO network， transfer learning， and channel pruning algorithm［J］. Journal of Civil Structural Health Monitoring， 2024， 14（1）： 41-57.
23	许兴时，王云飞，华志新，等. 融合YOLOv5s与通道剪枝算法的奶牛轻量化个体识别方法（英文）［J］. 农业工程学报， 2023， 39（15）： 152-162.
	XU X S， WANG Y F， HUA Z X， et al. Light-weight recognition network for dairy cows based on the fusion of YOLOv5s and channel pruning algorithm［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（15）： 152-162.
24	YANG F. An improved YOLO v3 algorithm for remote Sensing image target detection［J］. Journal of Physics： Conference Series， 2021， 2132： No.012028.
25	LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multiBox detector［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9905. Cham： Springer， 2016： 21-37.
26	REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
27	BOCHKOVSKIY A， WANG C， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection［EB/OL］. ［2024-04-23］..
28	WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 7464-7475.
29	CAI Y， ZHOU Y， HAN Q， et al. Reversible column networks［EB/OL］. ［2024-02-01］. .

[1]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[2]	桂佳扬, 王顺吉, 周正康, 唐加山. 基于改进YOLOv8n的隧道内异物检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 655-661.
[3]	李钟华, 白云起, 王雪津, 黄雷雷, 林初俊, 廖诗宇. 基于图像增强的低照度人脸检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2588-2594.
[4]	邓凯丽, 魏伟波, 潘振宽. 改进掩码自编码器的工业缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2595-2603.
[5]	孔哲, 李寒, 甘少伟, 孔明茹, 何冰涛, 郭子钰, 金督程, 邱兆文. 基于非对称多解码器和注意力模块的三维肾脏影像结构分割模型[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2216-2224.
[6]	程小辉, 黄云天, 张瑞芳. 基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1927-1934.
[7]	耿焕同, 刘振宇, 蒋骏, 范子辰, 李嘉兴. 基于改进YOLOv8的嵌入式道路裂缝检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1613-1618.
[8]	张俊娜, 王欣新, 李天泽, 赵晓焱, 袁培燕. 基于动态服务缓存辅助的任务卸载方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1493-1500.
[9]	赵晓焱, 韩威, 张俊娜, 袁培燕. 基于异步深度强化学习的车联网协作卸载策略[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1501-1510.
[10]	李威, 陈玲, 徐修远, 朱敏, 郭际香, 周凯, 牛颢, 张煜宸, 易珊烨, 章毅, 罗凤鸣. 基于多任务学习的间质性肺病分割算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1285-1293.
[11]	陈天华, 朱家煊, 印杰. 基于注意力机制的鸟类识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1114-1120.
[12]	张明, 付乐, 王海峰. 面向边缘计算的并发数据流接转控制模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3876-3883.
[13]	李大海, 李冰涛, 王振东. 基于改进YOLOv8的水下目标检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3610-3616.
[14]	刘涛, 鞠事宏, 高一萌. 基于改进YOLOv8n的无人机视角下小目标检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3603-3609.
[15]	赵徐炎, 崔允贺, 蒋朝惠, 钱清, 申国伟, 郭春, 李显超. CHAIN：基于重合支配的边缘计算节点放置算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2812-2818.

面向车路协同的路侧交通目标检测模型及部署

Roadside traffic object detection model and deployment for vehicle-road collaboration

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 29

相关文章 15

编辑推荐

Metrics