一种基于改进YOLOv12n的车辆检测方法

在交通场景中，传统目标检测算法常面临背景干扰强、小目标难检测等问题，影响检测精度与鲁棒性。为此，本文提出一种融合EMA（Efficient Multi‑scale Attention）与SFA（Spatial Feature Aggregation）注意力机制的改进型YOLOv12n车辆检测方法。SFA模块部署于浅层网络，通过聚合空间特征增强关键目标区域表达，抑制背景噪声干扰；EMA模块嵌入颈部网络，采用多尺度卷积、跨空间建模与特征分组机制，提升全局信息捕获与多尺度感知能力。该方法在保持实时性的同时，显著提升了在复杂场景下的检测精度，尤其在小目标识别与遮挡处理方面表现出更强的鲁棒性。