基于YOLOv8的轻量化疲劳驾驶面部检测算法VA-YOLO的优化研究

为解决疲劳驾驶引发的交通安全问题，研究人员设计出VA-YOLO目标检测算法。通过采用轻量化主干网络VanillaNet替代传统结构，结合SE注意力机制和SIoU损失函数，在降低30%参数量的同时将检测准确率提升1.3%。该研究为实时疲劳监测提供了精度与效率平衡的新方案。

　　

随着机动车保有量激增，疲劳驾驶已成为威胁道路交通安全的重要因素。针对传统检测方法在实时性和准确性上的局限，创新性地提出VA-YOLO算法框架：

1. 1.

   网络架构：采用极简设计的VanillaNet作为主干网络（backbone），较传统结构减少30%参数量

2. 2.

   特征优化：引入SE（Squeeze-and-Excitation）注意力模块，增强面部关键特征（如眼睑下垂、哈欠等）的权重分配

3. 3.

   损失函数：采用SIoU（Smooth IoU）边界框回归损失，有效降低定位误差

   实验数据显示，该算法在保持YOLOv8n实时性的基础上，将mAP（mean Average Precision）提升1.3个百分点。这种兼顾轻量化（lightweight）与精度的技术路线，为车载嵌入式设备的疲劳状态实时监测提供了新范式。