一种基于改进YOLOv8模型的复杂道路场景目标检测方法

本发明提供了一种基于改进YOLOv8模型的复杂道路场景目标检测方法，涉及目标检测技术领域。该方法包括：对数据集图片进行预处理，按照比例将其划分为训练集、验证集和测试集；引入DualConv卷积构建D‑C2f模块；基于MLCA模块与DCNv4融合构建MD‑C2f模块；构建改进YOLOv8网络模型，包括Backbone特征提取模块、Head特征融合模块、检测头模块，其中，在Backbone特征提取模块中使用D‑C2f模块替代原有的C2f模块；在Head特征融合模块，将每个检测层中的C2f模块都替换成MD‑C2f模块，随后每个MD‑C2f模块后都添加一层SEAM注意力模块；将划分好的训练集作为构建的改进YOLOv8网络模型的输入，经过Backbone特征提取模块进行特征采集，提取不同尺度的特征图；将提取的特征图输入到Head特征融合模块不同尺度的检测层中，实现语义特征和定位特征的转移，得到融合特征；将融合特征输入检测头模块，最后输出图像中的检测框的位置和其目标类别。本发明提出了一种基于改进YOLOv8模型的复杂道路场景目标检测方法，提高了在复杂道路背景下的目标检测精度与速度，解决了对目标形状不规则、远处的目标检测精度低的问题。