基于YOLOv8算法改进的小目标交通标志检测

doi:10.11772/j.issn.1001-9081.2024030360

《计算机应用》唯一官方网站 ›› 0, Vol. ›› Issue (): 274-279.DOI: 10.11772/j.issn.1001-9081.2024030360

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于YOLOv8算法改进的小目标交通标志检测

王斌(), 徐洪华, 孙兜成, 俞泳帆

长春理工大学计算机科学技术学院，长春 130022

收稿日期:2024-04-01 修回日期:2024-05-23 接受日期:2024-05-27 发布日期:2025-01-24 出版日期:2024-12-31
通讯作者: 王斌
作者简介:王斌（2000—），男，湖南株洲人，硕士研究生，主要研究方向：目标检测、图像处理
徐洪华（1979—），男，吉林长春人，副教授，博士，CCF会员，主要研究方向：图像处理与识别、深度学习、智能计算
孙兜成（2000—），男，吉林吉林人，硕士研究生，主要研究方向：图形图像处理
俞泳帆（2000—），男，江苏南通人，硕士研究生，主要研究方向：图形图像处理。
基金资助:
吉林省教育厅科学研究项目(JJKH20230841KJ)

Small object detection for traffic signs based on improved YOLOv8 algorithm

Bin WANG(), Honghua XU, Doucheng SUN, Yongfan YU

School of Computer Science and Technology，Changchun University of Science and Technology，Changchun Jilin 130022，China

Received:2024-04-01 Revised:2024-05-23 Accepted:2024-05-27 Online:2025-01-24 Published:2024-12-31
Contact: Bin WANG

摘要/Abstract

摘要：

为解决现有的目标检测模型在处理小目标交通标志时精度不足以及漏检率较高的问题，提出一种基于YOLOv8算法的改进型目标检测模型。首先，融合残差网络（ResNet）的设计理念，在Backbone中引入残差连接机制使模型更有效地整合多层特征信息，从而增强对小目标的识别能力；其次，逆转Neck部分的路径聚合特征金字塔网络（PAFPN）结构，提出I-PAFPN（Inverse PAFPN）结构，从而使网络更集中地捕捉目标的关键特征；再次，将原先的3级检测扩展为4级检测，使模型关注并更细致地提取小目标的特征，从而提高模型对小目标的敏感度；最后，引入WIoU（Wise Intersection over Union）损失函数弱化低质量样例对模型的影响，提高模型准确率。在数据增强后的TT100K（Tsinghua-Tencent 100K）数据集上的实验结果表明，经过改进的YOLOv8模型的mAP₅₀和mAP_50：95相较于原始的YOLOv8模型分别提高17.1和12.5个百分点，验证了改进YOLOv8模型在小目标交通标志检测方面的有效性和优越性。

关键词: 交通标志检测, 小目标, YOLOv8, 残差连接, 路径聚合特征金字塔网络, WIoU

Abstract:

To address the issues of insufficient precision and high missed detection rate in existing object detection models when dealing with small objects of traffic signs， an improved object detection model based on YOLOv8 algorithm was proposed. Firstly， inspired by Residual Network （ResNet） design concept， residual connection mechanism was introduced in Backbone to integrate multi-layer feature information more efficiently by the model， so as to enhance the recognition ability of small objects. Secondly， a reversal of the Path Aggregation Feature Pyramid Network （PAFPN） structure in Neck was proposed as the I-PAFPN （Inverse PAFPN） structure， which enabled the network to capture the key features of the objects. Thirdly， the original three-level detection was extended to four-level detection， which enabled the model to focus on and extract more detailed features of small objects， so as to improve the sensitivity of the model to small objects. Finally， Wise Intersection over Union （WIoU） loss function was introduced to weaken the influence of low-quality samples on the model， so as to improve the model accuracy. Experimental results on TT100K （Tsinghua-Tencent 100K） dataset after data augmentation show that the improved YOLOv8 model has the mAP₅₀ and mAP_50：95 increased by 17.1 and 12.5 percentage points， respectively， compared to the original YOLOv8 model， verifying the effectiveness and superiority of the improved YOLOv8 model in the detection of small objects of traffic signs.

Key words: traffic sign detection, small object, YOLOv8, residual connection, Path Aggregation Feature Pyramid Network (PAFPN), Wise Intersection over Union (WIoU)

中图分类号:

TP391.4

王斌, 徐洪华, 孙兜成, 俞泳帆. 基于YOLOv8算法改进的小目标交通标志检测[J]. 计算机应用, 0, (): 274-279.

Bin WANG, Honghua XU, Doucheng SUN, Yongfan YU. Small object detection for traffic signs based on improved YOLOv8 algorithm[J]. Journal of Computer Applications, 0, (): 274-279.

图/表 12

图1 YOLOv8的主要模块结构

图2 改进YOLOv8的网络结构

图3 3种残差连接的结构

图4 PAFPN与I-PAFPN结构

表1 TT100K_MT100数据集的详细信息

数据集	交通标志图像数	交通标志实例数
训练集	6 773	16 754
验证集	1 954	4 880
测试集	1 011	2 578

表2 默认训练参数

参数	默认值	描述信息
epochs	300	训练轮次
batch	64	训练批次
optimizer	SGD	优化器
fliplr	0.5	图像数据左右旋转的概率
data	tt100k_mt100.yaml	训练所用的数据集配置文件
imgsz	640	输入图像尺寸

表3 不同残差连接对比结果 (%)

连接方式	P	R	mAP₅₀	mAP_50：95
无残差连接	76.8	63.4	73.1	55.8
直接残差连接	74.9	64.7	73.3	55.7
Sigmoid残差连接	74.0	65.4	72.7	54.7
1×1卷积残差连接	79.6	65.4	75.2	57.1

表4 不同损失函数的对比结果 (%)

损失函数	P	R	mAP₅₀	mAP_50：95
CIoU	76.8	63.4	73.1	55.8
WIoU v1	79.7	60.2	72.0	54.5
WIoU v2	77.8	63.1	73.4	55.5
WIoU v3（ $α = 2.5$ ， $δ = 2$ ）	76.2	63.7	72.6	54.9
WIoU v3（ $α = 1.9$ ， $δ = 3$ ）	75.5	67.1	74.5	56.1
WIoU v3（ $α = 1.6$ ， $δ = 4$ ）	82.1	64.7	75.1	56.7
WIoU v3（ $α = 1.4$ ， $δ = 5$ ）	79.4	64.6	75.3	56.8
WIoU v3（ $α = 1.2$ ， $δ = 6$ ）	81.1	65.3	75.9	56.2
WIoU v3（ $α = 1.0$ ， $δ = 7$ ）	77.8	68.3	75.7	55.2

表4 不同损失函数的对比结果 (%)

损失函数	P	R	mAP₅₀	mAP_50：95
CIoU	76.8	63.4	73.1	55.8
WIoU v1	79.7	60.2	72.0	54.5
WIoU v2	77.8	63.1	73.4	55.5
WIoU v3（ $α = 2.5$ ， $δ = 2$ ）	76.2	63.7	72.6	54.9
WIoU v3（ $α = 1.9$ ， $δ = 3$ ）	75.5	67.1	74.5	56.1
WIoU v3（ $α = 1.6$ ， $δ = 4$ ）	82.1	64.7	75.1	56.7
WIoU v3（ $α = 1.4$ ， $δ = 5$ ）	79.4	64.6	75.3	56.8
WIoU v3（ $α = 1.2$ ， $δ = 6$ ）	81.1	65.3	75.9	56.2
WIoU v3（ $α = 1.0$ ， $δ = 7$ ）	77.8	68.3	75.7	55.2

表5 消融实验结果对比

训练集增强	特征残差连接	增加检测层P2	I-PAFPN	WIoU v3	fliplr=0.0	params/10⁶	计算成本/GFLOPs	mAP₅₀/%	mAP_50：95/%
—	—	—	—	—	—	3.0	8.2	73.1	55.8
√	—	—	—	—	—	3.0	8.2	76.4	57.9
—	√	—	—	—	—	3.1	8.5	75.2	57.1
—	—	√	—	—	—	3.0	13.5	77.4	59.0
—	—	—	√	—	—	5.5	20.2	74.8	56.4
—	—	—	—	√	—	3.0	8.2	75.3	56.8
—	—	—	—	—	√	3.0	8.2	76.9	58.6
√	√	—	—	—	—	3.1	8.5	76.1	58.3
√	√	√	—	—	—	3.1	13.7	81.3	61.8
√	√	√	√	—	—	6.4	59.1	87.4	66.1
√	√	√	√	√	—	6.4	59.1	88.3	66.5
√	√	√	√	√	√	6.4	59.1	90.2	68.3

表6 本文模型与YOLOv8s和YOLOv8l模型的对比结果

模型	params/10⁶	计算成本/GFLOPs	mAP₅₀/%	mAP_50：95/%
YOLOv8s	11.2	28.7	83.6	64.2
YOLOv8l	25.9	79.2	86.1	67.0
本文模型	6.4	59.1	90.2	68.3

表7 不同YOLO检测模型的实验结果对比

模型	params/10⁶	计算成本/GFLOPs	推理时间/ms	帧率/（frame·s^-1）	P/%	R/%	mAP₅₀/%	mAP_50：95/%
YOLOv5n	1.80	4.40	6.2	161	69.8	44.4	50.0	36.1
YOLOv6n	4.70	11.40	8.0	125	50.2	72.9	65.9	50.2
YOLOv7-tiny	6.10	13.60	4.6	218	56.4	47.3	43.7	31.5
YOLOv8n	3.00	8.20	6.8	147	76.8	63.4	73.1	55.8
GOLD-YOLOv8n	5.00	11.20	18.1	55	71.4	60.7	68.9	52.8
DAMO-YOLO-T	8.34	17.67	3.4	294	—	—	64.1	47.2
YOLOv9-C	51.10	239.40	20.0	50	88.2	80.3	88.7	69.1
GELAN-C	25.40	103.40	14.5	69	89.7	78.8	88.4	69.0
本文模型	6.40	59.10	8.4	119	90.5	83.2	90.2	68.3

图5 不同YOLO检测模型的可视化结果对比

参考文献 23

1	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.
2	REDMON J， DIVVALA S， 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.
3	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.
4	LAI H， CHEN L， LIU W， et al. STC-YOLO： small object detection network for traffic signs in complex environments ［J］. Sensors， 2023， 23（11）： No.5307.
5	ZHU Z， LIANG D， ZHANG S， et al. Traffic-sign detection and classification in the wild ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 2110-2118.
6	LI S， WANG S， WANG P. A small object detection algorithm for traffic signs based on improved YOLOv7 ［J］. Sensors， 2023， 23（16）： No.7145.
7	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.
8	胡均平，王鸿树，戴小标，等. 改进YOLOv5的小目标交通标志实时检测算法［J］. 计算机工程与应用， 2023， 59（2）：185-193.
9	嵇文，刘全金，黄崇文，等. 基于Swin-Transformer的YOLOX交通标志检测［J］. 无线电通信技术， 2023， 49（3）：547-555.
10	LIU Z， LIN Y， CAO Y， et al. Swin Transformer： hierarchical vision Transformer using shifted windows ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 9992-10002.
11	GE Z， LIU S， WANG F， et al. YOLOX： exceeding YOLO series in 2021 ［EB/OL］. ［2023-11-12］. .
12	LIU S， QI L， QIN H， et al. Path aggregation network for instance segmentation ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 8759-8768.
13	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778.
14	FENG C， ZHONG Y， GAO Y， et al. TOOD： task-aligned one-stage object detection ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 3490-3499.
15	LI X， WANG W， WU L， et al. Generalized focal loss： learning qualified and distributed bounding boxes for dense object detection［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2020： 21002-21012.
16	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 936-944.
17	TONG Z， CHEN Y， XU Z， et al. Wise-IoU： bounding box regression loss with dynamic focusing mechanism ［EB/OL］. ［2023-11-07］..
18	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2999-3007.
19	YUN S， HAN D， CHUN S， et al. CutMix： regularization strategy to train strong classifiers with localizable features ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 6022-6031.
20	LI C， LI L， JIANG H， et al. YOLOv6： a single-stage object detection framework for industrial applications ［EB/OL］. ［2023-11-25］. .
21	WANG C， HE W， NIE Y， et al. Gold-YOLO： efficient object detector via gather-and-distribute mechanism ［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2023： 51094-51112.
22	XU X， JIANG Y， CHEN W， et al. DAMO-YOLO： a report on real-time object detection design ［EB/OL］. ［2023-12-12］. .
23	WANG C Y， YEH I H， LIAO H Y M. YOLOv9： learning what you want to learn using programmable gradient information ［EB/OL］. ［2023-12-14］. .

[1]	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》唯一官方网站, 2025, 45(3): 1016-1024.
[2]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[3]	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.
[4]	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.
[5]	杨博然, 蔺素珍, 李大威, 禄晓飞, 崔晨辉. 基于信息补偿的红外弱小目标检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 284-291.
[6]	刘赏, 周煜炜, 代娆, 董林芳, 刘猛. 融合注意力和上下文信息的遥感图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 292-300.
[7]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[8]	李烨恒, 罗光圣, 苏前敏. 基于改进YOLOv5的Logo检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2580-2587.
[9]	龙伍丹, 彭博, 胡节, 申颖, 丁丹妮. 基于加强特征提取的道路病害检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2264-2270.
[10]	姬张建, 杜娜. 基于改进VariFocalNet的微小目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2200-2207.
[11]	刘越, 刘芳, 武奥运, 柴秋月, 王天笑. 基于自注意力机制与图卷积的3D目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1972-1977.
[12]	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.
[13]	崔晨辉, 蔺素珍, 李大威, 禄晓飞, 武杰. 基于孪生网络和Transformer的红外弱小目标跟踪方法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 563-571.
[14]	庞玉东, 李志星, 刘伟杰, 李天昊, 王宁宁. 基于改进实时检测Transformer的塔机上俯视场景小目标检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3922-3929.
[15]	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.

基于YOLOv8算法改进的小目标交通标志检测

Small object detection for traffic signs based on improved YOLOv8 algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 23

相关文章 15

编辑推荐

Metrics