摘要：随着自动驾驶的快速发展，交通场景下的目标检测技术成为不可或缺的关键环节。传统的检测技术在处理复杂的道路环境下时模型有较大的复杂度，且部署的难度大。为了解决上述问题，提出了基于YOLOv8n改进的交通场景下目标检测算法BGR-YOLO，旨在减少计算负担并提升检测精度。首先引入Deformable Attention，使模型聚焦关键采样点，提高了检测准确性；同时，将GSConv替换标准卷积，使模型减少不必要的冗余，从而降低了模型的参数量和计算复杂度；其次引入BiFPN实现多尺度特征的高效融合；最后，引入CGR设计模块通过重参数化技术对原始C2f特征提取模块进行增强，其以隐式特征复用的方式有效降低计算复杂度。在公开道路目标数据集BDD100K上的实验结果表明，BGR-YOLO在mAP@50上达到了0.49，模型参数量减少了37%，计算量下降了20%。实验结果证明，BGR-YOLO在保持高精度的同时，显著减轻了计算负担，实现了在低算力环境下的高效部署需求。
文章目录
1 引言
2 相关工作
2.1 深度学习目标检测算法
2.2 交通场景下的目标检测算法
3 BGR-YOLO算法
3.1 Deformable Attention增强的主干网络
3.2 GSConv轻量级特征增强卷积
3.3 BiFPN加权双向特征金字塔网络
3.4 CRG重参数化增强模块
4 实验结果与分析
4.1 BDD100K数据集
4.2评价指标
4.3 实验环境与参数配置
4.4 实验结果与分析
5 结束语
