摘要： 针对现有无人驾驶方程式赛车对锥桶检测算法存在运算量大、精度低等问题，提出一种改进的YOLOv8n算法，该算法检测精度高、模型参数量少。改进算法引入Stem 模块和EfficientNet-Lite 网络结构来替换YOLOv8主干网络，由于YOLOv8的检测头中解耦的参数量占总参数的40%，故设计一种结构轻量化的检测头结构来减少模型的参数量，加入下采样倍数为 4的高分辨率特征图 P2 用于检测微小目标。实验结果表明：在数据集上，改进的YOLOv8算法与原来的YOLOv8n 算法相比，平均精度指标从 90.1%提升到93.8%，参数量从3.00 M降到1.37 M，计算量从8.1GFLOPs降到4.7GFLOPs；在实车测试中，不但有效减少了锥桶的漏检现象，而且模型内存缩减了49%。

关键词: 深度学习；锥桶检测；轻量化主干网络；轻量化检测头；小目标检测层

中图分类号: 

• U469