關(guān)鍵詞：CBMA注意力機(jī)制；數(shù)據(jù)增強(qiáng)；損失函數(shù)優(yōu)化；Swin-Transformer網(wǎng)絡(luò)；交通標(biāo)志檢測(cè)與識(shí)別；YOLOv8

0 引言

交通標(biāo)志檢測(cè)與識(shí)別技術(shù)在智能交通系統(tǒng)（ITS） 和自動(dòng)駕駛領(lǐng)域發(fā)揮著至關(guān)重要的作用。這些技術(shù)不僅能夠提高道路安全，還能增強(qiáng)駕駛的便捷性和自主性。近年來，國(guó)內(nèi)學(xué)者在該領(lǐng)域進(jìn)行了廣泛研究，提出了一系列創(chuàng)新的方法和技術(shù)，旨在提高交通標(biāo)志檢測(cè)與識(shí)別的準(zhǔn)確率和魯棒性。

1） YOLO系列的改進(jìn)。文獻(xiàn)[1]通過增加上采樣和輸出層數(shù)、引入注意力機(jī)制以及使用懲罰函數(shù)，提高了小目標(biāo)交通標(biāo)志的檢測(cè)精度和定位能力；文獻(xiàn)[2] 通過引入基于顏色衰減先驗(yàn)的自適應(yīng)伽馬變換圖像預(yù)處理算法和坐標(biāo)注意力機(jī)制，提高了霧霾環(huán)境下的檢測(cè)精度；文獻(xiàn)[3]通過重參數(shù)模塊、注意力機(jī)制以及IoU-Aware查詢選擇等改進(jìn)，顯著提升了檢測(cè)精度和效率；文獻(xiàn)[4]通過引入Tiny Head檢測(cè)頭、C2f CA模塊以及SIoU損失函數(shù)，增強(qiáng)了小目標(biāo)檢測(cè)能力和模型魯棒性。文獻(xiàn)[5]結(jié)合小目標(biāo)過采樣訓(xùn)練數(shù)據(jù)生成方法、圖像分塊和幾何透視檢測(cè)預(yù)處理，提高了全景圖像中交通標(biāo)志的檢測(cè)精度和速度。

2） 多尺度特征融合。文獻(xiàn)[6]設(shè)計(jì)了基于空洞混合注意力機(jī)制的多尺度注意力特征融合模塊，增強(qiáng)了模型對(duì)小目標(biāo)的檢測(cè)能力；文獻(xiàn)[7]通過不同尺度圖像的特征提取，豐富了圖像特征，提高了識(shí)別率；文獻(xiàn)[8] 采用了Bi-FPN網(wǎng)絡(luò)進(jìn)行多尺度特征融合，從而提高了小目標(biāo)的檢測(cè)精度和效率；文獻(xiàn)[4]使用SPPCSPC替代SPPF模塊，進(jìn)一步增強(qiáng)了網(wǎng)絡(luò)對(duì)不同尺度特征信息的提取能力。

本文旨在設(shè)計(jì)一種基于改進(jìn)YOLOv8的交通標(biāo)志檢測(cè)與識(shí)別算法，以提高算法在復(fù)雜場(chǎng)景下的識(shí)別精度、魯棒性和實(shí)時(shí)性，為智能交通系統(tǒng)和自動(dòng)駕駛技術(shù)的進(jìn)一步發(fā)展提供技術(shù)支持。

1 交通標(biāo)志檢測(cè)基礎(chǔ)

1.1 交通標(biāo)志的特征及檢測(cè)

交通標(biāo)志作為道路安全設(shè)施的重要組成部分，具有統(tǒng)一性、規(guī)范性和多樣性等特征。統(tǒng)一性：全國(guó)實(shí)行統(tǒng)一的道路交通標(biāo)志，確保各地標(biāo)志的一致性，便于駕駛?cè)俗R(shí)別和遵守；規(guī)范性：交通標(biāo)志的設(shè)置需符合道路交通安全和暢通的要求及國(guó)家標(biāo)準(zhǔn)，保持清晰、醒目、準(zhǔn)確和完好；多樣性：根據(jù)用途和需要，交通標(biāo)志分為指示標(biāo)志、警告標(biāo)志、禁令標(biāo)志、指路標(biāo)志、旅游區(qū)標(biāo)志、道路施工安全標(biāo)志以及輔助標(biāo)志等多種類型。

隨著計(jì)算機(jī)視覺和圖像處理技術(shù)的發(fā)展，交通標(biāo)志的識(shí)別與檢測(cè)技術(shù)日益成熟。傳統(tǒng)的檢測(cè)方案包括：1） 基于顏色的檢測(cè)。不同類型的3e7dd422c0490b6a0c8b5e675eb42e44交通標(biāo)志通常采用特定的顏色組合，如警告標(biāo)志多為黃色背景加黑色圖案，禁令標(biāo)志多為紅色背景加白色圖案，可通過從圖像中提取出特定顏色組合的區(qū)域?qū)崿F(xiàn)識(shí)別。2） 基于形狀的檢測(cè)。交通標(biāo)志通常具有規(guī)則的幾何形狀，如圓形、三角形和矩形等。通過邊緣檢測(cè)、形態(tài)學(xué)處理等技術(shù)，可從圖像中提取出具有特定形狀的區(qū)域。3） 基于多特征融合的檢測(cè)。由于單一特征可能受光照、遮擋等因素影響，因此多特征融合成為提高識(shí)別準(zhǔn)確率的重要手段，這種方法結(jié)合了顏色、形狀和紋理等多種特征，通過綜合評(píng)估實(shí)現(xiàn)對(duì)交通標(biāo)志的準(zhǔn)確識(shí)別。然而，傳統(tǒng)的識(shí)別與檢測(cè)技術(shù)往往存在識(shí)別準(zhǔn)確率低、易受環(huán)境因素影響和泛化能力弱等問題。

1.2 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

卷積神經(jīng)網(wǎng)絡(luò)的核心在于卷積層的使用。卷積層通過局部連接和權(quán)值共享的方式，有效減少了網(wǎng)絡(luò)參數(shù)的數(shù)量，降低了計(jì)算復(fù)雜度，同時(shí)能夠自動(dòng)從輸入數(shù)據(jù)中提取出層次化的特征表示。卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層和全連接層等組成，通過堆疊組合，可以構(gòu)建出具有強(qiáng)大學(xué)習(xí)能力的深度網(wǎng)絡(luò)模型。

1.2.1 卷積神經(jīng)網(wǎng)絡(luò)在智慧交通領(lǐng)域的應(yīng)用

1） 交通標(biāo)志檢測(cè)與識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)通過對(duì)交通標(biāo)志圖像進(jìn)行預(yù)處理（如灰度化、歸一化等），并設(shè)計(jì)合適的網(wǎng)絡(luò)結(jié)構(gòu)，能夠自動(dòng)從圖像中提取交通標(biāo)志的特征，實(shí)現(xiàn)快速準(zhǔn)確地識(shí)別。

2） 車輛檢測(cè)與跟蹤。卷積神經(jīng)網(wǎng)絡(luò)通過自動(dòng)學(xué)習(xí)車輛的特征表示，能夠在復(fù)雜多變的交通場(chǎng)景中實(shí)現(xiàn)高效的車輛檢測(cè)。同時(shí)，結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)或長(zhǎng)短期記憶網(wǎng)絡(luò)等序列模型，能夠?qū)崿F(xiàn)車輛的連續(xù)跟蹤，為智能交通管理提供有力支持。

3） 行為分析與異常檢測(cè)。卷積神經(jīng)網(wǎng)絡(luò)通過對(duì)監(jiān)控視頻進(jìn)行分析，可以自動(dòng)識(shí)別行人的行走軌跡、駕駛員的駕駛行為等關(guān)鍵信息，進(jìn)而判斷是否存在異常行為。例如，通過識(shí)別駕駛員的疲勞駕駛和分心駕駛等行為，及時(shí)發(fā)出警告，從而有效降低交通事故的風(fēng)險(xiǎn)。

1.2.2 卷積神經(jīng)網(wǎng)絡(luò)在智慧交通領(lǐng)域的發(fā)展

卷積神經(jīng)網(wǎng)絡(luò)在智慧交通領(lǐng)域的應(yīng)用不斷深化和拓展，其發(fā)展趨勢(shì)表現(xiàn)為：① 輕量化與高效化。針對(duì)實(shí)際應(yīng)用中的實(shí)時(shí)性要求，開發(fā)更加輕量化和高效的卷積神經(jīng)網(wǎng)絡(luò)模型，減少計(jì)算量和存儲(chǔ)需求，提高系統(tǒng)的響應(yīng)速度；② 多源信息融合。為了進(jìn)一步提高識(shí)別的準(zhǔn)確率和魯棒性，將更多地融合多源信息，實(shí)現(xiàn)多模態(tài)數(shù)據(jù)的協(xié)同處理；③ 跨場(chǎng)景適應(yīng)性。針對(duì)不同交通場(chǎng)景的特點(diǎn)和需求，開發(fā)具有更強(qiáng)跨場(chǎng)景適應(yīng)性的卷積神經(jīng)網(wǎng)絡(luò)模型，以應(yīng)對(duì)復(fù)雜多變的交通環(huán)境；④ 集成學(xué)習(xí)與知識(shí)蒸餾。通過將多個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行集成學(xué)習(xí)，或利用知識(shí)蒸餾技術(shù)將大模型的知識(shí)遷移到小模型中，可以進(jìn)一步提高模型的性能和泛化能力。

1.3 目標(biāo)檢測(cè)算法

目標(biāo)檢測(cè)旨在從圖像或視頻中準(zhǔn)確識(shí)別特定類別的目標(biāo)，并確定其位置。其算法主要分為單階段檢測(cè)和兩階段檢測(cè)。

1.3.1 單階段檢測(cè)算法

單階段檢測(cè)算法直接從輸入圖像中預(yù)測(cè)目標(biāo)的類別和位置，省略了候選區(qū)域生成和特征提取的中間步驟，因此具有較高的計(jì)算效率和實(shí)時(shí)性。其代表算法包括YOLO系列和SSD。

YOLO算法于2015年首次提出，其核心在于將目標(biāo)檢測(cè)任務(wù)視為一個(gè)單一的回歸問題。YOLO將輸入圖像劃分為S×S的網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)預(yù)測(cè)B個(gè)邊界框及其置信度和C個(gè)類別的概率。SSD算法于2016年提出，結(jié)合了YOLO的回歸思想和Faster R-CNN的錨點(diǎn)機(jī)制。SSD在不同尺度的特征圖上預(yù)測(cè)邊界框，并利用不同尺度的特征圖來檢測(cè)不同大小的目標(biāo)。此外，SSD還采用非極大值抑制來去除重復(fù)的邊界框，進(jìn)一步提高了檢測(cè)的準(zhǔn)確性。然而，與YOLO系列相比，SSD在特征提取和邊界框回歸方面可能稍顯復(fù)雜。

1.3.2 兩階段檢測(cè)算法

兩階段檢測(cè)算法首先將輸入圖像劃分為一系列候選區(qū)域，然后對(duì)這些候選區(qū)域進(jìn)行分類和定位，從而實(shí)現(xiàn)較高的檢測(cè)精度，但其計(jì)算效率相對(duì)較低。其代表算法包括R-CNN、Fast R-CNN和Faster RCNN等。

R-CNN系列算法使用選擇性搜索算法生成候選區(qū)域，通過精細(xì)的候選區(qū)域生成和特征提取，能夠在復(fù)雜場(chǎng)景下實(shí)現(xiàn)較高的檢測(cè)精度。Fast R-CNN在RCNN的基礎(chǔ)上引入了ROI Pooling層，實(shí)現(xiàn)特征圖的共享，顯著提高了檢測(cè)速度。同時(shí)，F(xiàn)ast R-CNN提出了區(qū)域候選網(wǎng)絡(luò)，實(shí)現(xiàn)了候選區(qū)域的快速生成，進(jìn)一步提升了檢測(cè)速度和精度。然而，這類算法由于需要分兩步進(jìn)行檢測(cè)，其計(jì)算效率相對(duì)較低，難以滿足實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)景。

2 改進(jìn)YOLOv8的交通標(biāo)志檢測(cè)識(shí)別模型設(shè)計(jì)

2.1 YOLOv8檢測(cè)模型

1） YOLOv8的網(wǎng)絡(luò)結(jié)構(gòu)主要由三部分組成：Back?bone、Neck和Head。

Backbone 部分參考了CSPDarkNet 結(jié)構(gòu)，采用了C2f模塊替代C3模塊。C2f模塊通過更有效的結(jié)構(gòu)設(shè)計(jì)減少了冗余參數(shù)，提高了計(jì)算效率。首先，通過Conv1層對(duì)輸入tensor進(jìn)行拆分，將其分成兩部分：一部分直接通過Bottleneck 模塊，而另一部分則通過shortcut連接。每個(gè)Bottleneck的輸入Tensor的通道數(shù)僅為上一級(jí)的0.5倍，顯著降低了計(jì)算量。此外，第一個(gè)卷積層的核大小改為3×3，提升了特征提取能力。

Neck部分采用了PANet結(jié)構(gòu)，這是一個(gè)雙向通路網(wǎng)絡(luò)，通過自底向上和自頂向下的路徑聚合增強(qiáng)了特征圖的表達(dá)能力。與FPN相比，PANet引入了自下向上的路徑，使得底層信息更容易傳遞到高層，從而提高了對(duì)不同尺寸目標(biāo)的檢測(cè)能力。YOLOv8還通過SPPF模塊進(jìn)行不同尺度的池化操作，進(jìn)一步提高了特征提取的魯棒性。

Head部分負(fù)責(zé)最終的目標(biāo)檢測(cè)和分類任務(wù)，并將回歸分支和預(yù)測(cè)分支分離。這種設(shè)計(jì)使得收斂速度更快，檢測(cè)效果更佳。針對(duì)回歸分支，YOLOv8使用了Distribution Focal Loss 策略，將坐標(biāo)預(yù)測(cè)從確定性單值轉(zhuǎn)變?yōu)榉植夹问剑鉀Q了邊界模糊的問題。此外，采用了Anchor-Free機(jī)制，減少了錨框的超參數(shù)設(shè)置，簡(jiǎn)化了訓(xùn)練過程。

2） YOLOv8是一種SOTA模型，旨在快速、準(zhǔn)確且易于使用。YOLOv8優(yōu)異的檢測(cè)性能主要?dú)w功于其優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)和創(chuàng)新的損失函數(shù)設(shè)計(jì)。通過引入新的骨干網(wǎng)絡(luò)，YOLOv8能夠更有效地提取圖像特征，從而提高檢測(cè)精度。同時(shí)，新的檢測(cè)頭和損失函數(shù)的設(shè)計(jì)也使得模型在訓(xùn)練過程中更加穩(wěn)定，收斂速度更快。

此外，YOLOv8的檢測(cè)精度主要得益于其改進(jìn)的特征融合策略和更精細(xì)的錨框設(shè)計(jì)。采用PANet結(jié)構(gòu)進(jìn)行特征融合，通過自底向上和自頂向下的路徑聚合，增強(qiáng)了特征圖的表達(dá)能力，使得模型能夠更好地處理不同尺寸的目標(biāo)。同時(shí)，采用Anchor-Free機(jī)制，減少錨框的超參數(shù)設(shè)置，簡(jiǎn)化訓(xùn)練過程，提高模型的泛化能力。

再者，YOLOv8的推理速度主要體現(xiàn)在其輕量級(jí)的網(wǎng)絡(luò)設(shè)計(jì)和高效的計(jì)算策略上。通過減少網(wǎng)絡(luò)結(jié)構(gòu)中的冗余參數(shù)和計(jì)算量，提高了模型的推理速度，使其在實(shí)際應(yīng)用中能夠滿足實(shí)時(shí)檢測(cè)的需求。

2.2 CBMA 注意力機(jī)制

2.2.1 CBAM 注意力機(jī)制概述

CBAM（Convolutional Block Attention Module） 注意力機(jī)制由通道注意力模塊（CAM） 和空間注意力模塊（SAM） 組成。

1） 通道注意力模塊（CAM） 對(duì)每個(gè)通道進(jìn)行全局平均池化和全局最大池化，然后將這兩個(gè)池化結(jié)果輸入到一個(gè)共享的全連接層中，最后通過Sigmoid激活函數(shù)輸出一個(gè)通道注意力權(quán)重向量。這個(gè)權(quán)重向量用于加權(quán)輸入特征圖的每個(gè)通道，以強(qiáng)調(diào)重要特征并抑制不重要特征。

2） 空間注意力模塊（SAM） 對(duì)每個(gè)通道進(jìn)行平均池化和最大池化，然后將這兩個(gè)池化結(jié)果拼接后通過一個(gè)卷積層，最后通過Sigmoid激活函數(shù)輸出一個(gè)空間注意力權(quán)重張量。這個(gè)張量用于加權(quán)輸入特征圖的每個(gè)像素，以強(qiáng)調(diào)重要區(qū)域并抑制不重要區(qū)域。

2.2.2 融合CBMA 機(jī)制改進(jìn)YOLOv8

1） 網(wǎng)絡(luò)結(jié)構(gòu)集成。CBAM模塊可以作為一個(gè)即插即用的組件，在YOLOv8的主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)或檢測(cè)頭中的適當(dāng)位置插入。本文選擇將CBAM模塊插入到Y(jié)OLOv8頸部網(wǎng)絡(luò)的特征融合層之后，能夠在不同尺度的特征圖上同時(shí)應(yīng)用通道注意力和空間注意力，進(jìn)一步提升特征圖的表達(dá)能力。此外，可以在檢測(cè)頭之前插入CBAM模塊，以進(jìn)一步增強(qiáng)用于目標(biāo)檢測(cè)的特征圖。

2） 參數(shù)與訓(xùn)練。由于CBAM模塊引入了額外的參數(shù)和計(jì)算量，需要對(duì)模型參數(shù)進(jìn)行相應(yīng)的調(diào)整，如增加訓(xùn)練過程中的迭代次數(shù)、調(diào)整學(xué)習(xí)率等超參數(shù)，以確保模型能夠充分學(xué)習(xí)并收斂到最優(yōu)解。

2.3 Swin-Transformer 網(wǎng)絡(luò)

2.3.1 Swin-Transformer 網(wǎng)絡(luò)概述

Swin-Transformer是一種基于Transformer架構(gòu)的圖像分類和目標(biāo)檢測(cè)模型，它通過引入分層的窗口機(jī)制來處理圖像，解決了傳統(tǒng)Transformer在處理大尺寸圖像時(shí)的計(jì)算和內(nèi)存開銷問題。Swin-Transformer網(wǎng)絡(luò)結(jié)構(gòu)包括Patch Embedding 層、多個(gè)Stage 和一個(gè)Head層。每個(gè)Stage由多個(gè)Swin Transformer Block組成，每個(gè)Block包含一個(gè)窗口化的Transformer模塊和一個(gè)跨窗口的注意力模塊，這種設(shè)計(jì)使其在保持高精度的同時(shí)，具有更高的計(jì)算效率和可擴(kuò)展性。

2.3.2 融合Swin-Transformer 網(wǎng)絡(luò)改進(jìn)YOLOv8

1） 主干網(wǎng)絡(luò)替換。將YOLOv8的主干網(wǎng)絡(luò)替換為Swin-Transformer 網(wǎng)絡(luò)結(jié)構(gòu)，充分利用Swin-Transformer在特征提取方面的優(yōu)勢(shì)，提升模型對(duì)圖像細(xì)節(jié)和全局信息的捕捉能力。通過修改YOLOv8的配置文件（如YAML文件），將原有的主干網(wǎng)絡(luò)參數(shù)替換為Swin-Transformer的相關(guān)參數(shù)，并相應(yīng)地調(diào)整網(wǎng)絡(luò)層的連接關(guān)系。

2） 特征融合與增強(qiáng)。在YOLOv8的頸部網(wǎng)絡(luò)中融合Swin-Transformer提取的特征，通過特征金字塔網(wǎng)絡(luò)（FPN） 或路徑聚合網(wǎng)絡(luò)（PAN） 等結(jié)構(gòu)將不同尺度的特征圖進(jìn)行有效融合，以增強(qiáng)模型對(duì)多尺度目標(biāo)的檢測(cè)能力。此外，結(jié)合檢測(cè)頭部分引入的注意力機(jī)制，進(jìn)一步加強(qiáng)對(duì)關(guān)鍵特征的關(guān)注，提高檢測(cè)的準(zhǔn)確性和魯棒性。

3） 訓(xùn)練與優(yōu)化。由于引入了更多的參數(shù)和計(jì)算量，需要對(duì)模型進(jìn)行重新訓(xùn)練和優(yōu)化，如調(diào)整訓(xùn)練過程中的學(xué)習(xí)率、批處理大小、迭代次數(shù)等超參數(shù)，以確保模型能夠充分學(xué)習(xí)并收斂到最優(yōu)解。同時(shí)，可以采用數(shù)據(jù)增強(qiáng)、正則化等策略來提高模型的泛化能力，減少過擬合現(xiàn)象的發(fā)生。

2.4 YOLOv8損失函數(shù)的優(yōu)化

2.4.1 YOLOv8損失函數(shù)概述

YOLOv8的損失函數(shù)是一個(gè)多任務(wù)損失函數(shù)，綜合考慮了目標(biāo)分類、定位和置信度預(yù)測(cè)等多個(gè)方面，確保模型在訓(xùn)練過程中能夠全面優(yōu)化這些關(guān)鍵任務(wù)。

1） 分類損失：YOLOv8特別采用N個(gè)目標(biāo)的二元交叉熵?fù)p失求和再取平均的方式，更準(zhǔn)確地反映每個(gè)目標(biāo)的分類準(zhǔn)確性，適用于多類別分類場(chǎng)景。

2） 定位損失：YOLOv8使用平方根誤差損失函數(shù)或平滑L1損失直接計(jì)算邊界框中心坐標(biāo)和尺寸的誤差。

3） 置信度損失：YOLOv8使用二進(jìn)制交叉熵?fù)p失函數(shù)來計(jì)算置信度損失，通過比較模型預(yù)測(cè)的目標(biāo)存在概率與真實(shí)標(biāo)簽的差異來衡量模型的置信度準(zhǔn)確性。

2.4.2 YOLOv8損失函數(shù)的優(yōu)化

1） 引入先進(jìn)的損失函數(shù)變體。

① 定位損失優(yōu)化：引入如GIoU、DIoU、CIoU等變體，考慮邊界框的重疊比例、中心點(diǎn)距離、長(zhǎng)寬比等因素，使得定位更加全面和準(zhǔn)確。

② 分類損失優(yōu)化：采用Focal Loss等變體，通過降低易分類樣本的權(quán)重，使模型更加關(guān)注難分類樣本，從而提高分類的準(zhǔn)確性和魯棒性。

③ 置信度損失優(yōu)化：引入動(dòng)態(tài)權(quán)重調(diào)整機(jī)制，根據(jù)模型的預(yù)測(cè)置信度動(dòng)態(tài)調(diào)整損失權(quán)重，使得模型在訓(xùn)練過程中更加關(guān)注置信度預(yù)測(cè)不準(zhǔn)確的樣本。

2） 結(jié)合多任務(wù)學(xué)習(xí)進(jìn)行聯(lián)合優(yōu)化。

通過設(shè)計(jì)合適的損失函數(shù)組合來同時(shí)優(yōu)化多個(gè)任務(wù)的性能。例如，在關(guān)鍵點(diǎn)檢測(cè)任務(wù)中使用歐幾里得距離損失來評(píng)估預(yù)測(cè)關(guān)鍵點(diǎn)與實(shí)際關(guān)鍵點(diǎn)之間的相似性；在實(shí)例分割任務(wù)中則可以使用Dice損失或交叉熵?fù)p失來評(píng)估分割結(jié)果的準(zhǔn)確性。通過聯(lián)合優(yōu)化這些任務(wù)的損失函數(shù)組合，可以進(jìn)一步提升模型的整體性能。

3） 利用梯度下降優(yōu)化算法進(jìn)行參數(shù)調(diào)優(yōu)。

選擇合適的梯度下降優(yōu)化算法（如Adam、SGD 等）并進(jìn)行適當(dāng)?shù)膮?shù)調(diào)優(yōu)，對(duì)于提高YOLOv8模型的收斂速度和最終性能至關(guān)重要。在實(shí)際應(yīng)用中，可以根據(jù)數(shù)據(jù)集規(guī)模、硬件設(shè)備以及訓(xùn)練目標(biāo)等因素選擇合適的優(yōu)化算法，并調(diào)整其學(xué)習(xí)率、動(dòng)量等參數(shù)，以獲得最佳的訓(xùn)練效果。

3 數(shù)據(jù)集的選擇與增強(qiáng)

在選擇數(shù)據(jù)集時(shí)，需要考慮數(shù)據(jù)集的規(guī)模、多樣性、圖像質(zhì)量等因素。對(duì)于交通標(biāo)志和交通信號(hào)燈目標(biāo)檢測(cè)任務(wù)，數(shù)據(jù)集的規(guī)模越大，模型的泛化能力越強(qiáng)。此外，數(shù)據(jù)集的多樣性也非常重要，它能夠提升模型對(duì)不同場(chǎng)景的適應(yīng)能力。常用的交通標(biāo)志數(shù)據(jù)集有：

1） GTSRB數(shù)據(jù)集（德國(guó)）：包含43種交通信號(hào)，共51 839張圖片，其中訓(xùn)練圖片39 209張，測(cè)試圖片12630張，圖片尺寸在15×15至250×250像素之間。

2） LISA數(shù)據(jù)集（美國(guó)）：包含交通標(biāo)志和交通信號(hào)燈。該數(shù)據(jù)集規(guī)模較大，標(biāo)注信息包括交通標(biāo)志和交通信號(hào)燈的類型、位置、尺寸等。

3） TT100K數(shù)據(jù)集（清華大學(xué)與騰訊合作制作）：包含約10萬張騰訊街景全景圖，其中約1萬張包含交通標(biāo)志。該數(shù)據(jù)集規(guī)模龐大，標(biāo)注詳細(xì)，覆蓋了多種天氣和光照條件，適用于復(fù)雜場(chǎng)景下的交通標(biāo)志識(shí)別。

4） CTSDB數(shù)據(jù)集：是國(guó)內(nèi)較受歡迎的交通標(biāo)志數(shù)據(jù)集之一，包含6 164個(gè)交通標(biāo)志圖像，分為58類。數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)庫(kù)（4 170 張圖像）和測(cè)試數(shù)據(jù)庫(kù)（1 994張圖像）。圖像采集于不同天氣和光照條件下，并包含部分遮擋情況，適用于國(guó)內(nèi)交通標(biāo)志識(shí)別的研究。

5） CCTSDB 數(shù)據(jù)集：來自長(zhǎng)沙理工大學(xué)，是在CTSDB數(shù)據(jù)集的基礎(chǔ)上擴(kuò)充而來。標(biāo)注數(shù)據(jù)分為指示標(biāo)志、禁止標(biāo)志和警告標(biāo)志三大類，適用于中國(guó)道路實(shí)際場(chǎng)景下的交通標(biāo)志識(shí)別研究。

在實(shí)際應(yīng)用中，交通標(biāo)志檢測(cè)與識(shí)別面臨著光線變化、背景復(fù)雜、物體遮擋、尺寸不一等諸多挑戰(zhàn)。因此，數(shù)據(jù)增強(qiáng)成為提高模型訓(xùn)練效果的重要策略。數(shù)據(jù)預(yù)處理通過隨機(jī)調(diào)整圖像的亮度和對(duì)比度，可以模擬不同光照條件下的場(chǎng)景，使模型能夠適應(yīng)各種光線變化；通過調(diào)整圖像的色相、飽和度和明度，可以模擬不同光源下的色彩效果，提高模型對(duì)色彩變化的魯棒性；隨機(jī)縮放和裁剪圖像可生成不同大小的交通標(biāo)志樣本，從而提高模型對(duì)小目標(biāo)和遠(yuǎn)距離目標(biāo)的檢測(cè)精度；通過Mosaic增強(qiáng)可以顯著增加訓(xùn)練數(shù)據(jù)的多樣性和復(fù)雜性，使模型在訓(xùn)練階段能夠接觸到更多樣化的場(chǎng)景；通過CutMix增強(qiáng)可以模擬交通標(biāo)志被其他物體遮擋或重疊的場(chǎng)景，提高模型對(duì)遮擋和重疊目標(biāo)的檢測(cè)能力。

4 結(jié)束語

實(shí)驗(yàn)結(jié)果表明，改進(jìn)的YOLOv8在交通標(biāo)志的識(shí)別率、精確率、識(shí)別速度以及小目標(biāo)的識(shí)別率等方面表現(xiàn)良好。從識(shí)別率來看，改進(jìn)后的模型在復(fù)雜場(chǎng)景下顯示出較高的識(shí)別率，與原型算法相比，mAP和F1 分?jǐn)?shù)分別提升了5.4%和4.8%；在大、中、小目標(biāo)的準(zhǔn)確率方面，分別提升了5.8%、4.2%和6.4%。從識(shí)別速度來看，改進(jìn)后的模型在實(shí)際場(chǎng)景下的平均FPS達(dá)到93幀/秒，與原型算法相比略有下降。從模型魯棒性來看，改進(jìn)后的算法具有較強(qiáng)的適應(yīng)性和穩(wěn)定性，能夠在模糊失真、光線變化、目標(biāo)尺寸變化以及小目標(biāo)密集等復(fù)雜情況下進(jìn)行有效檢測(cè)。展望未來，本研究將圍繞在保證模型性能的同時(shí)，致力于實(shí)現(xiàn)模型的輕量化與壓縮，以便于在智能終端上的部署與使用，進(jìn)一步降低設(shè)備的硬件成本和提升識(shí)別效率。