GLD-YOLO：一种用于复杂交通场景的基于 YOLO11n 的改进目标检测方法

《Journal of Electronic Imaging》：GLD-YOLO: an improved YOLO11n-based object detection method for complex traffic scenarios

　　

为了解决交通场景中光照变化、复杂背景、尺度变化和密集遮挡导致的检测退化问题，我们提出了全局-局部-动态YOLO（GLD-YOLO），一种基于YOLO11n的改进型检测器。C3k2_LIA和C2PSA_DLKA被集成到浅层和深层主干网络中，用于局部关键特征选择和上下文建模；DySample被用于颈部模块实现内容自适应特征对齐；Inner-WIoUv3则用于边界框回归。在主要Traffic Vehicles数据集上，通过五个独立种子的实验，GLD-YOLO达到了83.90±0.85%的精确率、69.42±1.54%的召回率、78.56±0.40%的mAP@0.5和54.64±0.73%的mAP@0.5:0.95，相比YOLO11n分别提升了4.70、0.24、1.98和1.14个百分点。在Cars Detection数据集和扩展的3004张图像Road Vehicle Images数据集上进行的直接五种子评估也取得了正面向对的mAP提升，尽管提升幅度取决于分布偏移的程度。在测试的RTX 5070 Ti Laptop GPU上，GLD-YOLO在统一batch-1基准测试下达到88.51 FPS，显示出在评估平台上有竞争力的推理效率。

1. 引言

目标检测是自动驾驶环境感知中的关键组成部分。其性能直接影响系统识别和定位行人、车辆、交通标志及其他道路物体的能力。基于YOLO的单阶段检测器因其提供高推理效率且检测精度具有竞争力而被广泛使用。然而，现实道路环境是开放的、动态的且高度不确定的。远距离目标、密集遮挡、复杂光照和变化的天气条件都可能导致特征表示退化，从而引发漏检、误检和定位错误。资源受限的部署场景还对模型大小、计算成本和延迟提出了严格要求。因此，在保持实用推理效率的同时提高检测精度仍然是一个重要挑战。在本文中，推理效率在桌面GPU平台上进行评估，而嵌入式设备部署留待未来研究。

为解决复杂交通场景中的目标检测问题，现有研究主要聚焦于多尺度特征增强、基于注意力的建模以及回归损失优化。对于小目标检测，YOLO-Z1通过调整YOLOv5的特征图尺度和连接模式来提高远距离目标的检测效果。MCS-YOLO引入了坐标注意力、多尺度小目标检测结构和Swin Transformer模块，以增强道路场景的上下文表示。这些研究表明，浅层高分辨率特征和多尺度语义信息对小目标检测是有益的。然而，额外的检测层和复杂模块增加了计算开销。

在复杂环境的适应性方面，MST-YOLO、SCCA-YOLO、YOLO-CGT、AWD-YOLO和RDSM-YOLO从不同角度改进了检测，包括局部注意力、空间-通道协同建模、多尺度聚合、双分支特征提取和动态卷积。尽管这些方法在恶劣天气、低光照条件和复杂道路背景下改善了感知性能，但部分方法依赖于复杂的增强结构或双分支网络。其他轻量级方法主要关注局部特征增强，对遮挡目标的全局上下文建模以及多尺度特征的空间对齐关注不足。

YOLO11n参数量小、推理效率高，适合作为轻量级目标检测的基线模型。Wenhuan等人提出了DPM-YOLO，在YOLO11框架内构建了动态注意力金字塔，并结合并行融合卷积与改进的边界框损失来提升小目标和部分遮挡目标的检测。Weihao等人提出了ECG-YOLO，将多尺度注意力、小目标检测层、上下文引导模块和WIoUv3融入YOLO11n，从而改善远距离小目标和遮挡物体的检测。总体而言，现有基于YOLO的改进方法已在小目标表示、复杂场景感知和边界框回归方面取得了进展。然而，局部关键特征选择、遮挡感知上下文建模以及多尺度空间对齐仍然不够充分。

为了解决这些局限性，本研究提出了GLD-YOLO，一种面向复杂交通场景的基于YOLO11n的目标检测方法。该方法受到四个相互耦合的检测退化原因的启发：由光照变化和背景杂乱引起的浅层局部特征扰动、遮挡目标的深层上下文建模不足、多尺度特征融合过程中的空间错位，以及密集重叠条件下不稳定的边界框回归。GLD-YOLO并非简单地加深或加宽网络，而是在轻量级检测框架内采用问题驱动和互补性设计。

具体而言，引入C3k2_LIA以增强光照变化和杂乱背景下浅层关键特征的表示。C2PSA_DLKA通过将可变形采样与大核注意力相结合，增强了深层上下文建模。DySample以特征依赖采样替代固定网格上采样，从而减少远距离和尺度变化交通目标在多尺度融合过程中的空间错位。Inner-WIoUv3通过将内部几何约束与样本质量分配相结合，进一步稳定了边界框回归。这些组件共同构成了一个统一的全局-局部-动态框架，用于改进交通目标检测。

GLD-YOLO中使用的底层机制改编自现有技术；本工作的贡献主要在于这些技术在YOLO11n框架内针对复杂交通场景的问题驱动式放置、集成与实证验证。

主要贡献总结如下：

1. 提出了一种面向复杂交通场景目标检测的问题驱动GLD-YOLO框架。该方法解决了浅层局部特征扰动、上下文建模不足、多尺度特征错位以及遮挡下不稳定回归所导致的检测退化问题。

2. 设计了通过集成C3k2_LIA和C2PSA_DLKA实现的全局-局部特征提取策略。C3k2_LIA增强了光照变化和背景干扰下浅层关键特征的表示，而C2PSA_DLKA改善了遮挡和尺度变化物体的深层上下文建模。

3. 开发了通过整合DySample和Inner-WIoUv3到YOLO11n中的动态特征对齐与回归优化方案。DySample增强了颈部模块的自适应特征对齐，而Inner-WIoUv3在不增加推理成本的情况下改善了回归优化。

4. 实证评估在单次YOLO对比的基础上进行了扩展，通过鲁棒性分析、针对性消融实验、与RT-DETR-L、Faster R-CNN-MBV3-Small以及重新实现的SCCA-YOLO的跨范式比较、敏感性分析、收敛性分析、失败案例分析以及跨数据集验证。

2. 相关方法与技术背景

2.1. YOLO11网络架构

自动驾驶感知中广泛使用SSD和YOLO等单阶段检测器，因其具有高效的推理性能。为适应车载平台的模型大小和延迟约束，本研究选用YOLO11n作为基线模型。YOLO11n遵循典型的主干-颈部-头部架构。主干网络提取多层次特征，颈部模块融合多尺度表示，头部执行目标分类和边界框回归。然而，在复杂光照、密集遮挡和远距离小目标条件下，YOLO11n在特征表示和上下文建模方面仍存在局限性。

2.2. 注意力机制与上下文建模

注意力机制有助于网络强调与目标相关的区域并抑制背景响应。局部注意力保留了浅层边缘和纹理线索，这些线索对光照变化和背景杂乱敏感。大核注意力在深层中扩大了有效感受野，为遮挡物体提供更广泛的上下文。这些机制支持了GLD-YOLO中使用的局部特征选择和全局上下文建模。

2.3. 动态上采样与特征对齐

在多尺度融合中，上采样将深层语义特征恢复到高分辨率图。传统的最近邻和双线性插值效率高，但依赖固定采样位置，限制了对目标内容和局部几何的适应性。动态重采样通过引入内容感知偏移来解决这一局限，从而实现特征重建和自适应对齐。

2.4. 边界框回归损失函数

边界框回归损失影响定位精度和训练稳定性。传统的基于IoU的损失优化预测框与真值框的重叠，但在密集遮挡场景中低质量样本可能干扰梯度分配并导致回归不稳定。样本质量分配与几何约束相结合可以改善交通场景中的定位效果。

3. 方法论

3.1. GLD-YOLO概述

在复杂交通场景中，远距离物体往往仅占据几个像素，而车辆、行人和非机动车之间的遮挡可能隐藏关键局部线索。尽管YOLO11n计算效率较高，但其基于卷积的特征提取在捕获长程上下文方面能力有限。当物体边界因光照变化、遮挡或杂乱背景而减弱时，小目标更容易被漏检或与背景区域混淆，固定感受野进一步限制了对尺度变化和类别差异的适应性。

GLD-YOLO的整体结构如图1所示。所提出的框架根据在复杂交通图像中观察到的失效机制进行设计。在浅层中，C3k2_LIA增强了容易受到强光、阴影和杂乱背景干扰的局部关键线索。在深层中，C2PSA_DLKA扩大了有效感受野并引入可变形空间感知，以改善遮挡和尺度变化物体的上下文推理。在颈部模块中，DySample以特征依赖采样替代固定网格上采样，从而减少多尺度融合过程中的空间错位。在回归分支中，Inner-WIoUv3将内部辅助框与非单调样本聚焦相结合，改善了密集重叠场景中的定位稳定性。

图1

GLD-YOLO模型的整体结构。

在该框架中，"全局"、"局部"和"动态"分别指深层上下文建模、浅层关键特征选择以及带有样本质量调制的自适应特征对齐。这些组件被设计为发挥互补功能：局部注意力保留精细的目标线索，全局注意力改善语义推理，动态采样对齐跨尺度特征，回归损失在遮挡下稳定定位，如图2所述。

图2

GLD-YOLO的整体设计策略。

3.2. C2PSA_DLKA结构

轻量级卷积网络高效地提取局部特征，使其适合车载视觉感知。然而，标准卷积主要捕获固定局部邻域内的信息。当交通目标被部分遮挡或尺度变化很大时，这种有限的感受野可能削弱上下文推理能力。基于Transformer的模块可以建模长程依赖关系，但在轻量级检测框架中计算成本通常较高。因此，本研究将可变形大核注意力（D-LKA）嵌入YOLO11n的C2PSA模块中，构建了C2PSA_DLKA。在该模块中，可变形卷积根据输入特征调整采样位置，大核膨胀卷积扩展了有效感受野。这种设计为遮挡和尺度变化物体提供了更广泛的空间上下文，而无需依赖笨重的Transformer结构。

图3展示了C2PSA_DLKA的架构。输入特征首先通过1×1卷积进行投影，然后沿通道维度拆分为两个分支。跳跃分支保留原始表示，而主分支送入堆叠的PSA_Block进行深层特征建模。之后，两个分支被拼接并通过另一个1×1卷积融合，以增强跨通道交互。在每个PSA_Block内部，原始的 Spatial Attention Unit被替换为DLKA单元。DLKA单元进一步通过残差学习与前馈网络结合，有助于保持稳定的特征传播。

图3

所提出的C2PSA_DLKA模块的详细架构。

对于输入特征x，DLKA单元首先使用1×1卷积和GELU激活函数进行通道映射，生成F_in：

式(1) F_in = GELU(Conv1×1(x))

特征F_in随后被分为两条路径。第一条路径保留映射后的特征作为内容表示，而第二条路径学习空间门控。在门控路径中，5×5可变形卷积捕获自适应的局部响应，7×7膨胀可变形卷积（膨胀率为三）进一步扩展了感受野。生成的空间门控表示为W_gate：

式(2) W_gate = Conv1×1(DDeformConv7×7(DeformConv5×5(F_in)))

在上述公式中，DeformConv表示可变形卷积，DDeformConv表示其膨胀变体。可变形卷积学习依赖于输入的偏移量，使采样位置能够适应物体形状和尺度变化。膨胀卷积以有限的额外计算进一步扩展了上下文覆盖范围。生成的调制权重与保留的特征进行逐元素相乘，使信息丰富的空间区域获得更强的响应：

式(3) F_attn = F_in ? W_gate

最后，调制后的特征F_attn通过1×1卷积融合，并通过残差连接加回到输入特征x：

式(4) Output_DLKA = x + Conv1×1(F_attn)

通过这种设计，C2PSA_DLKA在保持C2PSA轻量结构的同时，增强了自适应空间感知和长程上下文建模能力。因此，网络能够更好地表示遮挡的、弱纹理的和尺度变化的物体。

3.3. C3k2_LIA结构

YOLO11n中原始的C3k2结构使用固定卷积在浅层聚合局部特征。这种设计效率高，但从有用目标细节中分离背景干扰的能力有限。在自动驾驶场景中，浅层特征包含丰富的边缘、纹理和颜色线索。强光、阴影和复杂背景杂乱会扰乱这些线索。因此，模型可能难以区分目标边界与背景噪声，小目标细节也可能被削弱。为了解决这一问题，将局部重要性注意力（LIA）整合到C3k2中，构建了C3k2_LIA模块。

如图4所示，C3k2_LIA保留了C3k2的分支-拼接设计。跳跃分支保留原始特征表示，而主分支通过堆叠的C3k_LIA单元细化局部特征。两个分支随后被拼接并通过1×1卷积融合。这种设计支持特征重用和稳定的梯度传播。

在主分支中，LIA生成区域重要性图以自适应调节局部特征响应。21图4下载全尺寸图片C3k2_LIA结构示意图。在C3k_LIA单元内部，输入特征$x$首先由两个连续的3×3卷积处理以提取局部空间信息，得到基础特征$F_{\text{base}}$：
方程(5)：$F_{\text{base}} = \text{Conv}_{3\times3}(\text{Conv}_{3\times3}(X))$

为估计局部区域的重要性，LIA分支采用SoftPooling来聚合邻域响应。与最大池化和平均池化相比，SoftPooling对强响应赋予更高权重，同时保留其他位置的信息。这有助于保留微弱的边缘和纹理细节。聚合后的特征再经过一个1×1卷积和一个Sigmoid函数，生成本地重要性权重$W_{\text{LIA}}$：
方程(6)：$W_{\text{LIA}} = \sigma(\text{Conv}_{1\times1}(\text{SoftPool}(F_{\text{base}})))$

最后，本地重要性权重与基础特征进行逐元素相乘，然后使用残差连接得到C3k_LIA单元的输出：
方程(7)：$\text{Output}_{\text{LIA}} = x + (F_{\text{base}} \otimes W_{\text{LIA}})$

其中$\otimes$表示逐元素相乘。

图5进一步展示了LIA的详细结构。给定输入特征$F \in \mathbb{R}^{C \times H \times W}$，该模块首先应用1×1卷积进行通道调整。为平衡计算效率与特征自适应性，SoftPooling与一个3×3步幅卷积堆叠，以构建局部空间先验。22随后，局部建模的特征通过Sigmoid函数映射，生成重要性权重。这些权重通过双线性插值上采样至与输入特征相同的空间尺寸。由此，关键的局部区域被自适应增强。

图5下载全尺寸图片基于局部重要性的注意力（LIA）结构。

通过这一设计，C3k2_LIA在浅层自适应地重新加权局部响应。它增强了信息丰富的边缘和纹理线索，同时减少了背景噪声的干扰。随着特征传播至更深层，微弱的小物体细节得以更好地保留。

### 3.4 DySample结构

在多尺度特征融合期间，上采样不仅用于恢复空间分辨率，还影响深层语义特征能否与浅层空间细节精确对齐。这种对齐对于远距离小物体尤为重要，因为其边界在特征融合过程中容易被削弱。YOLO11n中通常使用最近邻插值，因为它简单且高效。然而，其采样网格是固定的，无法根据物体内容或局部几何变化进行调整。因此，静态插值可能引入特征错位并削弱边界细节。DySample已被用作一种轻量级的动态上采样算子，以有限的计算成本改进小物体检测。23因此，DySample被引入颈部网络，作为一种基于点采样的动态上采样算子。遵循轻量级设计要求，禁用动态缩放因子，将dyscope设置为false。该模块的数据流如图6所示。

图6下载全尺寸图片PL模式下DySample模块的结构。

对于输入特征张量$X \in \mathbb{R}^{C \times H \times W}$和上采样因子$s$，DySample首先通过Pixel Shuffle将$X$重排为高分辨率表示。然后通过1×1卷积在该高分辨率空间中预测偏移特征。为使预测的偏移量与原始特征分辨率保持一致，Pixel Unshuffle将其映射回低分辨率域。这样，偏移张量在空间上与输入特征$O_{\text{LR}} \in \mathbb{R}^{2g \cdot s^2 \times H \times W}$对齐。其中，$g$表示采样组数。偏移预测过程定义如下：
方程(8)：$O_{\text{LR}} = \text{PixelUnshuffle}_s(\text{Conv}_{1\times1}(\text{PixelShuffle}_s(X)))$

将预测的偏移量加到初始网格坐标$P_{\text{init}}$上，得到动态采样点$P_{\text{sample}}$。使用0.25的静态范围因子来限制偏移幅度，这有助于避免因位移过大而导致的不稳定边界采样。
方程(9)：$p_{\text{sample}} = p_{\text{init}} + 0.25 \cdot O_{\text{LR}}$

最后，grid sample在$P_{\text{sample}}$处采样输入特征$X$，并使用双线性插值计算上采样特征$X'$：
方程(10)：$X' = \text{GridSample}(X, p_{\text{sample}}) \in \mathbb{R}^{C \times sH \times sW}$

通过这种采样策略，DySample根据输入特征改变采样位置，而不是使用固定的插值网格。这有助于减少特征融合期间的空间错位，并为远距离或尺度变化大的交通物体保留更可靠的边界信息。

### 3.5 Inner-WIoUv3结构

在密集交通场景中，车辆、行人和非机动车常常相互遮挡，导致边界框高度重叠。低质量样本和不完整的物体边界可能导致不稳定的回归梯度并降低定位精度。为改善回归稳定性，Inner-WIoUv3结合了Inner-IoU的内部辅助框约束与WIOUv3的非单调聚焦机制。Inner-IoU使用缩放系数比，在预测框和真实框内部构建辅助框，以加强中心区域的几何约束。24WIOUv3根据样本质量调整样本权重，降低过度简单和极低质量样本的主导性。

设当前样本的基本IoU损失为$L^*_{\text{IoU}}$，历史移动平均为$\overline{L_{\text{IoU}}}$。离群程度$\beta$定义为：
方程(11)：$\beta = \frac{L^*_{\text{IoU}}}{\overline{L_{\text{IoU}}}}$

$\beta$衡量当前样本与整体训练状态的偏差。基于$\beta$，WIOUv3构建非单调聚焦系数$r$：
方程(12)：$r = \frac{\beta}{\delta + \alpha(\beta - \delta)}$

其中$\alpha$和$\delta$是控制非单调聚焦曲线形状的超参数。该机制鼓励模型更关注具有更高优化价值的中等质量样本。

为进一步加强几何约束，将Inner-IoU机制融入WIOUv3。设真实框和预测框分别为$B_{\text{gt}} = [x_c^{\text{gt}}, y_c^{\text{gt}}, w_{\text{gt}}, h_{\text{gt}}]$和$B = [x_c, y_c, w, h]$。相应的内部辅助框定义如下：
方程(13)：$B_{\text{gt,inner}} = [x_c^{\text{gt}}, y_c^{\text{gt}}, w_{\text{gt}} \cdot \text{ratio}, h_{\text{gt}} \cdot \text{ratio}]$
方程(14)：$B_{\text{inner}} = [x_c, y_c, w \cdot \text{ratio}, h \cdot \text{ratio}]$

缩放因子设置为$\text{ratio} = 0.7$。此设置使内部辅助框对中心偏移和边界误差更敏感。最终的Inner-WIoUv3损失定义为：
方程(15)：$L_{\text{Inner-WIoUv3}} = r \cdot R_{\text{WIoU}} \cdot (1 - \text{IoU}_{\text{inner}})$

其中$R_{\text{WIoU}}$表示WIoU中的距离惩罚项，$\text{IoU}_{\text{inner}}$表示预测内部辅助框与真实内部辅助框之间的交并比。Inner-WIoUv3仅在训练期间使用，不改变推理结构。因此，它在密集遮挡场景中改善定位稳定性，而不增加推理参数或计算成本。这种改善来自样本质量分配与内部几何约束的共同作用。

### 4 结果与讨论

#### 4.1 实验环境与参数设置

所有模型均在相同的硬件和软件环境下训练和评估。实验在一台Windows 11工作站上进行，配备Intel Core i9-13900HX CPU、32 GB内存和带12 GB显存的NVIDIA GeForce RTX 5070 Ti笔记本GPU。软件环境包括Python 3.9.24、PyTorch 2.7.1、CUDA 12.8和Ultralytics 8.3.217。为量化运行间的变异性，YOLO11n与GLD-YOLO的对比使用五个种子（0、10、20、30和42）重复进行，结果以均值 ± 样本标准差形式报告。目标的全版本与无DySample、全版本与无Inner-WIoUv3消融，以及两个外部数据集评估使用相同的五个匹配种子；非渐进式C3k2_LIA+Inner-WIoUv3配置使用三次运行。结构筛选、回归损失比较和超参数敏感性实验使用固定种子42。除另有说明外，YOLO模型使用表1中的设置。非YOLO检测器使用架构特定的优化，同时保持相同的数据集划分、输入分辨率、训练时长和评估协议。RT-DETR-L使用AdamW（lr0=0.001，weight decay=0.0001，batch size=8），而Faster R-CNN-MBV3-Small使用SGD（lr0=0.001，batch size=16）。

表1 实验参数设置

| 参数 | 值 |
|------|------|
| ImgSize | 640×640 |
| lr0 | 0.01 |
| Optimizer | SGD |
| Batch size | 16 |
| Epochs | 150 |
| Momentum | 0.937 |
| Weight decay | 0.0005 |

线性衰减计划，lr0=0.01，lrf=0.01，三个epoch热身。

#### 4.2 数据集构建与划分

为评估GLD-YOLO在复杂交通场景中的性能，使用Roboflow25公开可用的Traffix Vehicles数据集作为主数据集。仅使用两个独立的外部数据集进行跨数据集评估：Cars Detection26（1254张图像，2388个实例，包含与主数据集重叠的五个类别）以及Kaggle上的Road Vehicle Images Dataset27，本次修订版中使用扩展的3004张图像评估集。没有任何外部图像用于训练或微调。Traffix Vehicles包含1546张标注图像，涵盖七个类别：救护车、自行车、公交车、轿车、摩托车、行人和卡车。其名义划分为1089张训练图像、319张验证图像和138张测试图像，大致遵循7:2:1的比例；用于修订后指标验证的当前验证运行包含316张有效图像和3587个标注实例。表2汇总了主训练划分、用于修订后指标的有效验证划分、名义测试划分以及两个外部评估数据集的已验证每类实例数。两个外部数据集与主数据在来源、道路背景、物体分布和光照条件方面存在差异，为跨场景评估提供了不同的分布偏移设置。

表2 主数据集和外部数据集的每类实例数

| 数据集/划分 | Amb. | Bicy. | Bus | Car | Motor. | Person | Truck | Total |
|---|---|---|---|---|---|---|---|---|
| 主训练 (1089) | 183 | 95 | 172 | 493 | 752 | 499 | 833 | 9,712 |
| 有效验证 (316) | 55 | 29 | 48 | 151 | 015 | 223 | 211 | 2,358 |
| 名义测试 (138) | 30 | 13 | 34 | 69 | 060 | 185 | 401 | 4,931 |
| Cars Det. (1254) | 252 | — | 282 | 130 | 228 | 0 | — | 2,722 |
| Road Vehicle (3004) | 704 | 593 | 429 | 732 | 323 | 222 | — | 7,081 |

注：“—”表示类别缺失。名义验证划分包含319张图像；修订后指标使用316张有效验证图像，此处报告为有效验证划分。

#### 4.3 评估指标

为评估模型在复杂交通场景中的性能，采用精确率、召回率、mAP@0.5、mAP@0.5:0.95、参数数量、GFLOPs和FPS作为评估指标。精确率反映误检抑制能力，召回率反映真实目标检测能力。
方程(16)：$\text{Precision} = \frac{TP}{TP + FP}$
方程(17)：$\text{Recall} = \frac{TP}{TP + FN}$

其中TP、FP和FN分别表示正确检测的正例、误检和漏检。mAP评估所有类别的检测性能。
方程(18)：$\text{mAP} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i$

其中$N$是类别数量，$\text{AP}_i$是第$i$个类别的平均精确率。mAP@0.5使用IoU阈值0.5，而mAP@0.5:0.95在IoU阈值从0.5到0.95（步长0.05）之间对mAP取平均。Params、GFLOPs和FPS分别衡量参数数量、计算复杂度和推理速度。

#### 4.4 与主流及相关目标检测算法的比较

为将评估扩展至通用的YOLO变体之外，对比包括YOLOv5su、YOLOv8n、YOLOv9t、YOLOv10n、YOLO11n，作为代表性两阶段检测器的Faster R-CNN-MBV3-Small，作为基于Transformer的端到端检测器的RT-DETR-L，以及重新实现的SCCA-YOLO作为引言中介绍的交通场景特定对比方法。使用相同的数据集划分、640×640输入分辨率、150个epoch训练时长和评估协议；RT-DETR-L采用如第4.1节所述的架构特定优化。表3报告了结果。

表3 与主流及相关目标检测器的比较

| 模型 | Runs | P/% | R/% | mAP@0.5 (%) | mAP@0.5:0.95 (%) | Params (M) | GFLOPs | FPS |
|---|---|---|---|---|---|---|---|---|
| YOLOv5su | 1 | 76.1 | 60.9 | 68.9 | 44.6 | 2.504 | 7.1 | 89.9 |
| YOLOv8n | 1 | 80.0 | 69.2 | 76.4 | 53.9 | 3.007 | 8.1 | 67.2 |
| YOLOv9t | 1 | 82.7 | 69.6 | 77.4 | 54.5 | 1.972 | 7.6 | 85.34 |
| YOLOv10n | 1 | 80.7 | 62.5 | 72.3 | 50.1 | 2.266 | 6.5 | 119.1 |
| YOLO11n | 5 | 79.20±4.03 | 69.18±1.88 | 76.58±0.22 | 53.50±0.53 | 2.583 | 6.31 | 125.10 |
| Faster R-CNN-MBV3-Small | 1 | — | 41.4 | 56.0 | 31.3 | 1.865 | 2.1 | 128.62 |
| RT-DETR-L | 1 | 54.0 | 61.5 | 57.4 | 38.2 | 31.998 | 103.5 | 36.93 |
| SCCA-YOLO (重新实现) | 1 | 81.6 | 65.9 | 75.2 | 52.8 | 3.023 | 8.1 | 121.12 |
| GLD-YOLO | 5 | 83.90±0.85 | 69.42±1.54 | 78.56±0.40 | 54.64±0.73 | 3.368 | 7.0 | 88.51 |

注：P表示精确率，R表示召回率。YOLO11n和GLD-YOLO报告为五次独立运行的均值 ± 标准差，其余检测器使用单次种子42运行结果。RT-DETR-L和Faster R-CNN-MBV3-Small遵循第4.1节所述的训练设置。所评估检测器的FPS值是在同一基准测试协议下，在RTX 5070 Ti笔记本GPU上以批次大小1和640×640 FP32输入获得，不包括图像加载、预处理和后处理。

在五次独立运行中，GLD-YOLO达到83.90±0.85%精确率、69.42±1.54%召回率、78.56±0.40% mAP@0.5和54.64±0.73% mAP@0.5:0.95，而YOLO11n分别为79.20±4.03%、69.18±1.88%、76.58±0.22%和53.50±0.53%。相应的配对平均变化分别为+4.70、+0.24、+1.98和+1.14个百分点，表明两个mAP指标均有可重复的提升，而召回率与基线接近。直接相关的SCCA-YOLO重新实现达到75.2% mAP@0.5和52.8% mAP@0.5:0.95，参数为3.023 M，而Faster R-CNN-MBV3-Small提供了两阶段检测器参考，RT-DETR-L则在架构适当的优化下提供了非YOLO Transformer对比。

GLD-YOLO包含3.368M参数和7.0 GFLOPs。与YOLO11n相比，参数和计算量分别增加0.785 M和0.7 GFLOPs，而统一的批次1基准测试中YOLO11n为125.10 FPS，SCCA-YOLO为121.12 FPS，GLD-YOLO为88.51 FPS。因此，所提出的方法以可测量的计算开销换取了更高的检测精度。该结果支持在测试桌面GPU上具有相对较高的推理效率，但并未确立嵌入式车载硬件上的实时部署性能。

为考察类别级差异在不同随机初始化下是否稳定，表4报告了五个种子上的配对AP变化。

表4 五种子配对类别AP差异（GLD-YOLO ? YOLO11n）

| 指标 | 救护车 | 自行车 | 公交车 | 轿车 | 摩托车 | 行人 | 卡车 | 平均 |
|---|---|---|---|---|---|---|---|---|
| ΔAP@0.5 (%) | +4.80±2.38 | +3.44±6.95 | +8.24±12.06 | ?1.48±4.27 | ?3.42±8.78 | +0.34±3.95 | +2.04±4.28 | +1.98±0.51 |
| ΔAP@0.5:0.95 (%) | +2.76±3.83 | +1.34±8.73 | +6.70±8.71 | ?2.10±4.53 | ?3.54±7.94 | +1.20±3.72 | +1.56±4.00 | +1.14±1.00 |

类别级结果的变化性远大于整体mAP结果。特别是，原始种子42运行中观察到的显著自行车提升并未得到一致复现：五种子配对变化为AP@0.5的+3.44±6.95个百分点，AP@0.5:0.95的+1.34±8.73。当前评估划分仅包含29个自行车实例，这导致了这种不稳定性。原始行人小幅下降也不是系统性的；其配对变化分别为+0.34±3.95和+1.20±3.72个百分点。轿车和摩托车平均回归，而若干其他类别有所改善，因此类别特定效应需谨慎解释，而非从单次运行中泛化。

#### 4.5 消融实验与分析

##### 4.5.1 模块消融与交互分析

表5从结构和稳定性两个角度评估了GLD-YOLO中不同组件的贡献。保留原始种子42的消融结果以说明不同组件组合引入的性能变化，同时包含额外的重复运行实验，以考察这些效果在不同初始化下是否保持一致。

全消融对照实验与C?3?k?2_LIA+Inner-WIoUv3的非渐进式实验提供了进一步证据，表明所提组件的效果具有交互依赖性，并且与它们在集成框架内既定的互补角色相一致。

**表5** 固定种子筛选与定向重复运行消融结果。

| 配置 | 运行次数 | C2PSA_DLKA | DySample | C3k2_LIA | Inner-WIoUv3 | P (%) | R (%) | mAP@0.5 (%) | mAP@0.5:0.95 (%) |
|---|---|---|---|---|---|---|---|---|---|
| Group1 | 1 | — | — | — | — | 76.1 | 70.8 | 76.5 | 53.2 |
| Group2 | 1 | ? | — | — | — | 80.9 | 70.6 | 76.8 | 53.8 |
| Group3 | 1 | — | ? | — | — | 83.3 | 65.7 | 77.7 | 54.4 |
| Group4 | 1 | — | — | ? | — | 82.7 | 67.4 | 76.8 | 53.7 |
| Group5 | 1 | — | — | — | ? | 79.3 | 68.4 | 76.2 | 53.6 |
| Group6 | 1 | ? | ? | — | — | 80.9 | 70.0 | 78.1 | 54.0 |
| Group7 | 1 | ? | ? | ? | — | 83.8 | 69.9 | 78.8 | 55.3 |
| Group8（完整模型） | 1 | ? | ? | ? | ? | 82.9 | 71.5 | 79.2 | 55.7 |
| 定向-完整模型 | 5 | ? | ? | ? | ? | 83.90±0.85 | 69.42±1.54 | 78.56±0.40 | 54.64±0.73 |
| 定向-去除DySample | 5 | ? | — | ? | ? | 84.12±1.22 | 70.60±1.21 | 77.80±0.37 | 54.12±0.33 |
| 定向-去除Inner-WIoUv3 | 5 | ? | ? | ? | — | 83.54±0.68 | 69.48±1.36 | 77.84±0.71 | 54.60±0.60 |
| 定向-C3k2+Inner | 3 | — | — | ? | ? | 83.53±0.91 | 69.17±0.87 | 77.97±0.31 | 54.87±0.50 |

种子42的筛选结果表明，单独加入DySample可提高mAP，但改变了精确率-召回率权衡，导致召回率降至65.7%。这一单次运行行为表明，DySample的效果应置于集成框架其他组件的背景下解读，而非作为独立贡献来理解。在匹配的五种子移除分析中，相对于完整模型去除DySample的版本，加入DySample使mAP@0.5和mAP@0.5:0.95分别提高+0.76和+0.52个百分点，尽管精确率和召回率分别变化了?0.22和?1.18个百分点。一个合理的解释是，基于特征的重新采样改变了呈现给未改变的检测头的特征分布，因此可能使置信度校准和固定的精确率-召回率工作点发生偏移。然而，现有实验并未证实这种效应是否优先发生在大型或高置信度目标上，因此无法得出针对特定目标尺寸的偏置结论。去除Inner-WIoUv3使完整模型平均mAP@0.5降低了?0.72个百分点，而mAP@0.5:0.95的变化仅为?0.04个百分点，表明其对高IoU定位的影响对初始化较为敏感。C?3?k?2_LIA+Inner-WIoUv?3的非渐进式结果进一步表明，不同组件的收益取决于它们在整体框架中的集成方式，而非个体增益的简单累加。

### 4.5.2 损失函数对比

为在固定网络结构下比较边界框回归损失，仅替换检测头中的回归损失，而C2PSA_DLKA、DySample和C3k2_LIA保持不变。这些种子42实验使用相同的划分和YOLO训练设置。SIoU、DIoU、Focaler-IoU、WIoUv3及其Inner增强变体在表6中进行比较。

**表6** 不同边界框回归损失的对比。

| 损失函数 | P (%) | R (%) | mAP@0.5 (%) | mAP@0.5:0.95 (%) |
|---|---|---|---|---|
| SIoU | 83.9 | 67.2 | 76.2 | 53.8 |
| DIoU | 82.3 | 70.6 | 78.1 | 54.9 |
| FocalerIoU | 83.4 | 70.5 | 78.5 | 54.5 |
| WIoUv3 | 86.0 | 68.3 | 76.9 | 54.6 |
| Inner-SIoU | 85.2 | 64.7 | 76.7 | 54.0 |
| Inner-DIoU | 80.9 | 68.9 | 77.1 | 53.8 |
| Inner-FocalerIoU | 79.4 | 69.1 | 77.2 | 53.8 |
| Inner-WIoUv3 | 82.9 | 71.5 | 79.2 | 55.7 |

在固定的种子42设置下，Inner-WIoUv3在召回率、mAP@0.5和mAP@0.5:0.95方面取得了所有测试回归损失中的最佳性能。然而，表5中五种子完整模型与去除Inner-WIoUv3版本的对比显示，其平均改善主要体现在mAP@0.5（+0.72个百分点），而mAP@0.5:0.95的增益有限（+0.04个百分点），且在不同种子间存在波动。这些结果表明，Inner-WIoUv3在评估设置下提供了有益的定位优化，但其对高IoU定位的影响应谨慎解读。

### 4.5.3 超参数敏感性分析

在种子42下，对Inner-IoU比率、DLKA空间核大小和膨胀率以及WIoUv3形状参数??和??进行了紧凑的单因素敏感性研究。对于每次扫描，仅改变待研究的参数，而所有其他模型组件和训练设置保持不变。表7总结了结果。

**表7** Inner-IoU、DLKA核设置和WIoUv3的超参数敏感性。

| 组件/参数 | 设置 | P (%) | R (%) | mAP@0.5 (%) | mAP@0.5:0.95 (%) |
|---|---|---|---|---|---|
| Inner-IoU比率 | 0.5 | 79.4 | 70.9 | 78.2 | 54.8 |
| Inner-IoU比率 | 0.7（选定） | 82.9 | 71.5 | 79.2 | 55.7 |
| Inner-IoU比率 | 0.9 | 86.0 | 67.7 | 77.2 | 54.4 |
| DLKA空间核 | 5×5（??=3） | 83.5 | 70.3 | 78.2 | 55.0 |
| DLKA空间核 | 7×7（??=3，选定） | 82.9 | 71.5 | 79.2 | 55.7 |
| DLKA空间核 | 9×9（??=3） | 84.4 | 66.4 | 77.1 | 53.7 |
| DLKA膨胀率 | 2 | 80.9 | 68.8 | 76.5 | 53.7 |
| DLKA膨胀率 | 3（选定） | 82.9 | 71.5 | 79.2 | 55.7 |
| DLKA膨胀率 | 4 | 82.6 | 70.8 | 78.4 | 54.1 |
| WIoUv?3 ??（??=3） | 1.7 | 81.0 | 70.9 | 77.2 | 54.4 |
| WIoUv?3 ??（??=3） | 1.9（选定） | 82.9 | 71.5 | 79.2 | 55.7 |
| WIoUv?3 ??（??=3） | 2.1 | 85.0 | 68.3 | 77.3 | 54.7 |
| WIoUv?3 ??（??=1.9） | 2 | 86.0 | 70.2 | 78.5 | 54.9 |
| WIoUv?3 ??（??=1.9） | 3（选定） | 82.9 | 71.5 | 79.2 | 55.7 |
| WIoUv?3 ??（??=1.9） | 4 | 84.7 | 68.4 | 77.0 | 54.4 |

选定的设置（比率=0.7，DLKA空间核=7×7且膨胀率=3，WIoUv3参数α=1.9且??=3）在所有测试配置中提供了最有利的AP平衡。在膨胀率=3的DLKA核大小扫描中，5×5变体将模型复杂度降至2.911 M参数和6.6 GFLOPs，但使mAP@0.5/mAP@0.5:0.95降至78.2/55.0%；9×9变体将精确率提高至84.4%，但将召回率降至66.4%，mAP降至77.1/53.7%，同时复杂度增加至4.438 M参数和7.8 GFLOPs。选定的7×7配置以3.368 M参数和7.0 GFLOPs达到了79.2/55.7%的mAP，提供了更好的精度-复杂度权衡。结合膨胀率、Inner-IoU和WIoUv3的扫描结果，这些结果表明选定的设置是基于整体AP平衡而非单一指标。

### 4.5.4 训练收敛性分析

使用匹配的种子42的YOLO11n和GLD-YOLO运行来检查训练行为，并通过图7中的mAP-epoch曲线总结收敛性对比。YOLO11n在约第118个epoch达到最佳mAP@0.5/mAP@0.5:0.95为76.52/53.27%，在第150个epoch结束时为75.33/52.33%。GLD-YOLO在第124个epoch左右达到更高的最佳值79.26/55.74%，在第150个epoch结束时为77.82/54.91%。这些结果支持GLD-YOLO具有稳定的优化过程和高得多的最终性能平台；然而，它们并未表明比基线模型收敛更快。

**图7** YOLO11n与GLD-YOLO在匹配种子42训练下的收敛性对比：(a) mAP@0.5与epoch关系，(b) mAP@0.5:0.95与epoch关系。

### 4.6 可视化分析

图8在代表性复杂交通场景中比较了YOLO11n和GLD-YOLO，并添加了一个共同的失败案例，以提供更为均衡的定性评估。

**图8** YOLO11n与GLD-YOLO的视觉对比：(a) YOLO11n，(b) GLD-YOLO。前四行展示了代表性复杂交通场景，第五行展示了一个共同失败案例，在该案例中，一辆异常事故姿态/遮挡条件下倒地的人员和倒下的摩托车未被任一模型正确检测。

GLD-YOLO在多个代表性案例中提供了更完整或更少混淆的检测，但最后一行表明两个检测器在异常目标姿态和严重遮挡下仍然可能失败。因此，可视化结果被视为定性证据而非通用鲁棒性的证据；主要结论由多种子、消融和跨数据集结果支持。

### 4.7 跨数据集泛化测试

为评估在不同数据分布下的跨数据集性能，在Traffix Vehicles上训练的YOLO11n和GLD-YOLO直接在Cars Detection（1254张图像）和扩展的Road Vehicle Images集（3004张图像）上进行评估。未进行额外训练、微调或外部超参数调整。对于每个外部数据集，评估指标仅在与主数据集分类体系对齐的标注类别上计算；该数据集中不存在的类别不包含在相应的mAP计算中。五个匹配种子模型独立评估，配对差异计算为GLD-YOLO减去YOLO11n。表8总结了结果。

**表8** 五种子跨数据集泛化结果。

| 外部数据集 | 图像数 | 模型 | P (%) | R (%) | mAP@0.5 (%) | mAP@0.5:0.95 (%) |
|---|---|---|---|---|---|---|
| Cars Detection | 1254 | YOLO11n | 70.94±2.58 | 61.86±2.28 | 64.35±0.67 | 49.83±1.11 |
| Cars Detection | 1254 | GLD-YOLO | 72.25±2.25 | 63.38±1.66 | 65.92±0.47 | 51.38±0.93 |
| Cars Detection | 1254 | 配对Δ | +1.31±2.22 | +1.51±2.17 | +1.57±0.56 | +1.55±0.92 |
| Road Vehicle Images | 3004 | YOLO11n | 84.64±0.92 | 66.66±0.77 | 76.52±0.40 | 55.90±0.46 |
| Road Vehicle Images | 3004 | GLD-YOLO | 85.20±0.82 | 66.84±0.76 | 76.72±0.36 | 56.12±0.36 |
| Road Vehicle Images | 3004 | 配对Δ | +0.56±0.59 | +0.18±0.46 | +0.20±0.12 | +0.22±0.22 |

GLD-YOLO在两个外部数据集上均保持了正AP差异，尽管改善幅度因数据集特征而异。Cars Detection上较大的增益和Road Vehicle Images上较小的差异表明，所提模块的有效性受到底层数据分布的影响。因此，外部评估提供了性能趋势一致性的额外证据，而非跨所有数据集的均匀改善。表2中的类别数量差异也说明了为何类别特定的外部结果应结合分类体系和样本分布进行解读。尽管外部评估拓宽了实证基础，但主要Traffix Vehicles数据集仍然相对较小（1546张图像）；因此，现有结果不应被解读为对自动驾驶环境全变异性范围的全面验证。

## 5 结论

本文提出了GLD-YOLO，一种基于YOLO11n的检测器，针对照明干扰、远处小目标漏检以及密集遮挡下的定位困难问题。GLD-YOLO改进了特征提取、特征融合和边界框回归。C3k2_LIA和C2PSA_DLKA分别增强了浅层关键特征选择和深层上下文建模。DySample改进了多尺度空间对齐，Inner-WIoUv3提高了密集遮挡下的回归稳定性。

在主数据集Traffix Vehicles上，GLD-YOLO在五个独立种子下相比YOLO11n取得了持续改进，增益主要体现在mAP指标而非召回率上。逐类别分析进一步表明改善幅度因目标类别而异，表明所提框架的收益取决于目标特性和数据分布。消融结果表明，DySample、Inner-WIoUv3以及其他组件通过其在集成架构中的交互作用做出贡献，而非通过简单的独立累加。

GLD-YOLO以3.368 M参数和7.0 GFLOPs保持了紧凑的模型尺寸，同时在统一桌面GPU基准测试下达到了88.51 FPS。结果表明，所提方法在测试平台上以可衡量的计算开销实现了检测精度的提升，尽管本研究未评估嵌入式设备部署。在Cars Detection和Road Vehicle Images上的评估也揭示了在不同数据分布下一致的mAP改进，且改善幅度因数据集而异。涉及异常目标姿态和严重遮挡的剩余错误表明，对于具有挑战性的交通场景仍需要进一步改进。

未来工作将聚焦于部署效率和环境鲁棒性。将研究结构化重参数化、剪枝和知识蒸馏以减少模型尺寸和计算成本。还将进行低能见度条件下的进一步测试，如暴雨、浓雾和降雪，以评估在真实车载环境中的部署可行性和鲁棒性。