一种基于“你只需看一次”（You Only Look Once, YOLO）技术的实时轻量级车辆检测算法，采用多尺度特征融合方法

《Array》：A Real-Time and Lightweight Vehicle Detection Algorithm with Multi-Scale Feature Fusion Based on You Only Look Once

　　宋书琪|郭传东|曹丽佳|刘彦菊|任帅|杨思年
四川科技工程大学自动化与信息工程学院，宜宾，644000，中国

**摘要**
准确高效的车辆检测是智能交通系统和自动驾驶的基石。然而，小目标、遮挡以及复杂的交通场景等挑战常常会降低检测性能。为了解决这些问题，本文介绍了You Only Look Once Vehicle Detection（YOLO-VD），这是一种轻量级的实时框架，具有增强的多尺度特征融合能力。具体而言，设计了一种结合了提出的Attention-Driven Convolution（ADConv）的Cross Stage Partial Efficient Attention Network（CSP-EAN），以加强特征表示和通道间的交互作用。此外，还采用了配备Grouped Lightweight Spatial Kernel Attention（GLSKA）的Grouped Spatial Pyramid Pooling-Fast（GSPPF）模块，以高效捕获多尺度上下文依赖性。另外，还增加了一个P2级检测头以增强小目标识别能力，并开发了EffilightHead，通过自适应分组卷积和特征重新校准来细化通道交互。在BDD100K和SODA10M上的广泛实验表明，YOLO-VD在BDD100K上的精度、召回率、平均精度（mAP）和每秒帧数（FPS）分别为64.3%、50.7%、55.2%和51.1%，在SODA10M上分别为66.1%、43.5%、49.0%和47.3%。与YOLOv11n基线相比，YOLO-VD的mAP提高了8.0%和6.7%，同时保持了高推理效率（单个模块的FPS分别为78.9和68.4）。这些结果突显了YOLO-VD在平衡准确性、效率和可扩展性方面的能力，表明其在实际交通感知任务中的潜力。

**1. 引言**
随着城市化的快速发展和对汽车的依赖增加，道路交通变得越来越拥堵和复杂。车辆拥有量的持续增长不仅加剧了交通事故，还对人类安全和社会经济发展构成了严重威胁。因此，自动驾驶技术引起了广泛的研究兴趣，因为它们有望提高安全性、减少拥堵并提升交通效率[1]。在这个框架中，环境感知是核心，而车辆检测通过提供精确的位置和类别信息，在决策和导航中起着关键作用[2]。

近年来，基于深度学习的对象检测算法由于其在特征表示和泛化方面的优越能力，已经很大程度上取代了传统的手工特征方法。这些方法大致分为两阶段和一阶段检测器。两阶段方法，如R-CNN[3]、Fast R-CNN[4]和Faster R-CNN[5]，通过在分类和回归之前生成区域提议来实现高精度，但其高昂的计算成本使其不适合实时部署。相比之下，一阶段检测器，例如YOLO系列[6]和SSD[7]，将检测统一为单一的回归任务，提供了精度和速度之间的良好平衡。值得注意的发展包括YOLOv4，它集成了CSPDarknet53、Spatial Pyramid Pooling（SPP）和Path Aggregation Network（PAN）以增强特征融合[8]，以及YOLOv5[9]，它改进了标签分配策略和主干网络设计以提高效率。进一步的改进，如引入RepVGG重参数化模块[10]和带有辅助检测头的Expanded Efficient Layer Aggregation Network（E-ELAN）[11]，显著提升了检测性能。

尽管取得了这些进展，但通用对象检测方法并未针对车辆和真实世界交通环境的独特特性进行优化。车辆通常具有不同的长宽比分布，反映了结构化的尺寸（例如汽车与卡车），这可能导致标准锚点设计和边界框回归方案在与人或动物等通用对象相比时表现不佳[12]。车辆检测的另一个关键挑战是遮挡，这源于交通拥堵、路边基础设施以及与其他道路使用者的交互。最近的研究引入了部分遮挡区域池化单元和区域注意力机制等模块，以明确处理结构化遮挡，表明具有遮挡意识的设计对于鲁棒的车辆感知至关重要[13]。此外，车辆的刚性结构——具有一致的几何约束——提供了有价值的线索，可以通过基于部分的建模或3D边界框进行利用，例如使用3D边界框进行视图规范化和细粒度识别[14]。

这些特定于领域的挑战——包括长宽比变化、结构化遮挡模式和刚性对象几何形状——在仅关注通用对象检测架构的调查中很少被提及。最近一项关于基于图像的车辆检测方法的全面调查强调了这些问题，指出环境变化、遮挡和尺度差异仍然是深度学习模型在交通场景中面临的持续障碍[15]。尽管在某些条件下有效，但主流检测器在不良照明、密集遮挡和小目标情况下仍存在精度下降的问题，这突显了需要结合领域感知模型设计和数据表示的框架的迫切需求。

同时，部署的模型必须满足资源有限平台（如嵌入式或边缘设备）的实时和计算限制。因此，轻量级网络设计已成为主要的研究焦点，包括基于MobileNet或EfficientNet的主干网络[16][17]、Ghost模块[18]以及CBAM[19]或SE块[20]等注意力机制，旨在减少冗余同时保持判别能力。更近期的研究，包括MOD YOLO[21]和LVD YOLO[22]，集成了新的卷积模块和双重注意力机制，以提高边缘场景的适应性。然而，即使这些轻量级架构仍然难以应对车辆感知中的特定挑战，如小型、严重遮挡或重叠的车辆。

为了解决上述限制，本研究提出了YOLO-VD，这是一种专为智能交通系统设计的轻量级但高精度的车辆检测框架。通过增强特征表示和多尺度融合，同时保持计算效率，YOLO-VD在准确性、推理速度和部署鲁棒性之间取得了良好的平衡。主要贡献总结如下：
(1) 轻量级主干网络设计：通过将Adaptive Deformable Convolution（ADConv）集成到CSP框架中，构建了一种新的CSP-EAN模块，从而加强了通道间的交互作用并提高了表示能力，而不影响效率。
(2) 增强的多尺度特征融合：引入了一种配备Grouped Lightweight Spatial Kernel Attention（GLSKA）的先进GSPPF模块，有效捕获了长距离上下文依赖性，并促进了鲁棒的多尺度特征聚合。
(3) 优化的检测头：开发了EffilightHead，结合了自适应分组卷积和通道级重新校准，以增强特征区分能力，并以最小的计算开销提高小目标的检测能力。
(4) 全面的实证验证：在大型基准数据集（BDD100K、SODA10M）上进行的广泛实验和消融研究验证了每个提出组件的有效性。结果表明，YOLO-VD在实现检测精度、实时速度和部署效率之间的最佳平衡方面表现出色。

本文的其余部分组织如下：第2节回顾了车辆检测领域的相关工作。第3节介绍了基于YOLOv11的新算法YOLO-VD，并对其提出的模块进行了深入分析和描述。第4节详细介绍了实验设置和结果，包括数据集、评估指标以及本工作中引入的各个组件的逐层分析。最后，第5节总结了本文。

**2. 相关工作**
车辆检测是智能交通系统（ITS）和自动驾驶中的关键任务，多年来吸引了大量研究关注。早期的研究主要依赖于传统的计算机视觉技术，如边缘检测、颜色分割和手工特征提取[23]。尽管这些方法实现了基本的车辆识别，但在具有多种车辆类型的复杂交通环境中，它们的鲁棒性和泛化能力有限。随着机器学习的发展，引入了支持向量机（SVMs）[24]和决策树[25]等经典分类器进行车辆检测。这些方法利用大规模标记数据集来区分车辆和非车辆模式，从而显著提高了性能。然而，它们的有效性受到手动设计特征的表示能力的限制，无法处理更复杂的场景。

近年来，深度学习（特别是卷积神经网络（CNN）的快速发展彻底改变了对象检测。Faster R-CNN、YOLO和SSD等最先进的框架在检测精度和推理速度方面取得了显著进步。除了基于图像的方法外，还利用了LiDAR点云数据[26]来捕获三维场景几何信息，从而实现更精确的车辆定位和运动估计。鉴于对嵌入式系统中实时和资源高效检测的需求不断增加，轻量级检测模型引起了广泛关注。例如，Hu等人[27]提出了一种轻量级、不受尺度影响的CNN架构；Shi等人[28]引入了一种方向感知检测器以提高密集场景中的精度；Lin等人[29]开发了一种基于GAN的数据增强方法来改进夜间车辆检测。此外，Wang等人[30]采用加权平均集成模型来加速检测并减少误报，而Li等人[31]提出了一种目标引导的特征超分辨率网络来抑制无关信息并提高小目标检测能力。

最近，各种方法专注于通过结合注意力机制和先进特征融合策略来改进基于YOLO的检测器，以更好地处理多尺度挑战和复杂场景。Ding等人提出了SCD-YOLO，它结合了空间和通道注意力与多尺度聚合，用于高效的道路裂缝检测任务，在复杂检测环境中表现出色[32]。同样，Zhang等人开发了BS-YOLOv5s，它结合了多尺度融合和注意力模块以提高绝缘体缺陷检测精度[33]。在跨尺度融合的基础上，Liu等人提出了LACF-YOLO，这是一种改进的YOLOv8模型，具有轻量级注意力和跨尺度特征融合，旨在减少计算开销[34]。改进的YOLOv8变体，包括Squeeze-and-Excitation注意力、可变形卷积和改进的损失函数，在复杂交通场景中也展示了优越的多目标检测性能[35]。除此之外，SMFF-YOLO强调多级特征融合，以适应无人机场景检测中的尺度信息[36]，ALF-YOLO在重新设计的颈部结构中应用多尺度注意力融合以改善不同对象大小下的特征表示[37]。其他进展，如LMF-YOLO采用上下文感知融合模块和混合注意力机制，以平衡轻量级设计和鲁棒的多尺度检测[38]。

与传统方法相比，基于深度学习的方法通过更深的网络结构展示了更强的特征表示能力，并能够基于数据特征进行端到端学习，表现出更好的鲁棒性和泛化能力。然而，随着网络深度和复杂性的增加，仍然存在挑战。具体来说，不同层提取的多级特征往往没有得到充分利用，导致在多尺度和小目标检测场景中的性能不佳。此外，嵌入式平台上有限的计算资源限制了超高分辨率图像的直接处理，这促使开发了具有基于注意力特征融合的轻量级检测器。

为了解决这些问题，YOLOv11在检测精度和吞吐量方面显示出显著改进，尤其是在城市交通场景中。然而，其全尺寸版本YOLOv11x由于其较大的模型尺寸，通常无法满足边缘设备的实时要求。因此，本研究采用YOLOv11系列中最小的变体YOLOv11n作为基线模型。在此基础上，我们提出了一种轻量级、多尺度特征融合检测算法YOLO-VD，旨在平衡检测精度、速度和部署效率，从而提高复杂交通环境中的车辆检测性能。

**3. 提出的方法**
在本节中，我们介绍了Cross Stage Partial Efficient Attention Network（CSP_EAN），它结合了一种新的Attention-Driven Convolution（ADConv）模块。该模块将分组卷积与逐点卷积相结合，以提高特征表示效率。在此基础上，通过将注意力机制与多尺度特征提取相结合，构建了一个轻量级的CSP_EAN模块，旨在提高网络的表示能力同时保持计算效率。随后，我们提出了Grouped Lightweight Spatial Kernel Attention（GLSKA）模块，并将其嵌入到Grouped Spatial Pyramid Pooling-Fast（GSPPF）模块中。通过利用分组空间金字塔池化结构，GLSKA有效地增强了多尺度空间特征的感知，同时将计算开销降至最低。最后，为了进一步增强局部特征提取和通道交互建模，我们开发了一种高效检测头EffilightHead。这种检测头旨在平衡精度和速度，非常适合实时检测场景。所提出的增强网络的总体架构如图1所示。

**图1. YOLO-VD整体结构图**尽管它实现了高效的特征提取，并增强了网络捕捉低级和高级表示的能力，但在处理多尺度物体、复杂车辆形状和遮挡等挑战时，其性能受到了限制。为了解决这些问题并进一步提高车辆检测任务的性能，本文引入了CSP_EAN模块，该模块基于Cross Stage Partial (CSP) [39]网络架构构建。该模块结合了本文提出的Group-wise Attention-Driven Convolution (ADConv)和注意力机制，以增强特征提取过程的表示能力。具体来说，所提出的架构利用通道级注意力来选择性地强调有信息量的特征，同时抑制不太有用的特征，并结合高效的卷积操作以确保计算效率。这种双重方法不仅提高了网络捕捉复杂车辆细节（如小物体或被遮挡的物体）的能力，还确保了模型的轻量级，使其适用于实时车辆检测任务。CSP_EAN模块的示意图如图2所示。

如图2所示，CSP_EAN模块实现了具有增强注意力的Cross-Stage Partial网络架构的一个变体：
- 初始分割(1)
- 特征处理(2)
- 特征拼接(3)
- 最终输出将部分连接与处理后的特征合并。
- 组卷积：与标准卷积相比，参数减少了[具体比例]倍：
- 使用[具体比例]的缩减比率来限制参数
- 仅通过计算密集型的EAN模块处理部分通道。注意力机制根据通道的重要性自适应地加权：
- 多尺度特征整合：CSP结构结合了不同处理阶段的特征，保留了低级和高级信息。
- 灵活的感受野：组卷积和点卷积的结合允许有效感受野的有效扩展。

ADConv的结构示意图如图3所示。

注意力驱动的卷积（ADConv）模块结合了双分支特征提取和通道级注意力机制来增强特征表示。给定一个输入特征图，其中[变量]表示批量大小，[变量]表示输入通道数，[变量]表示空间维度，ADConv通过以下一系列操作转换[变量]：
- 该模块首先通过两个并行分支提取特征：一个组卷积分支和一个点卷积分支。组卷积分支应用3×3深度可分离组卷积，组大小为g（通常g=4）：
- 点卷积分支通过1×1卷积进行通道混合：
- 两个分支的输出然后通过元素级加法融合：
- 这种双分支设计使模块能够同时捕捉局部空间模式（通过3×3组卷积）和全局通道依赖性（通过1×1点卷积）。
- 融合后的特征随后进行归一化和激活：

ADConv与其适应策略不同，可变形卷积学习从不规则位置采样的空间偏移，而ADConv采用固定的采样位置并通过注意力自适应地重新校准通道级响应。双分支结构（GC + PWC）能够同时提取局部和全局特征，然后通过通道注意力进行细化。

与在单个卷积之前或之后应用注意力的基于注意力的卷积方法相比，ADConv将多尺度特征提取与通道注意力集成在一个统一的框架中。并行分支捕获互补的信息，而SE模块以线性复杂度高效地建模通道依赖性。

3.2. GSPPF模块
特征金字塔池化是对象检测和分割模型中广泛使用的技术，因为它能够实现多尺度特征提取并增强感受野。然而，传统的空间金字塔池化（SPP）引入了计算开销，并且缺乏高效的通道级特征交互。为了解决这些限制，我们提出了分组空间金字塔池化-快速（GSPPF），这是一种改进的空间金字塔池化模块，它结合了分组卷积、高效的最大池化和分组轻量级空间核注意力（GLSKA），以实现增强的特征提取，同时保持计算效率。GSPPF模块的架构示意图如图4所示。

GSPPF（分组空间金字塔池化-快速）结合了GLSKA（分组轻量级空间核注意力），旨在捕捉多尺度上下文依赖性。通过集成分组卷积和空间核注意力，该模块在显著降低计算成本的同时增强了多尺度特征融合。

给定一个输入特征图，GSPPF首先使用分组卷积将通道维度压缩到一个隐藏维度：
- 分组卷积将输入通道分成[组数]组，每组独立处理。因此，参数数量从[标准卷积的参数数量]减少到[新的参数数量]，计算复杂度从[标准卷积的计算复杂度]降低到[新的计算复杂度]。
随后，应用级联的最大池化操作来生成多尺度特征表示：
- 这四个特征图沿通道维度拼接形成[新的特征图]。

与传统的SPPF模块相比，GSPPF通过分组引入了显著的不同。传统的SPPF采用标准卷积（[卷积次数] = 1），所有通道都参与所有卷积操作，导致参数数量为[传统SPPF的参数数量]。
相比之下，GSPPF将通道分成[组数]个独立组，参数数量减少到[新的参数数量]，参数和计算量都减少了大约50%。此外，分组引入了组间独立性，这作为一种隐式的正则化，有助于减轻过拟合，同时使不同组能够学习互补的特征表示。

然后将拼接的多尺度特征输入到GLSKA模块中进行空间注意力增强。GLSKA通过两阶段空间卷积方案捕捉空间依赖性。在第一阶段，应用水平-垂直分解卷积进行基本的空间特征提取：
- 在第二阶段，使用扩张卷积扩大感受野：
- 最终特征通过分组1×1卷积融合：
- 随后进行批量归一化和SiLU激活函数。最后，残差注意力机制产生输出。

GLSKA通过水平-垂直分解卷积建模空间依赖性，将传统的卷积分解为[操作1]和[操作2]。这减少了参数数量，同时保持了等效的感受野。这种分解不仅降低了计算复杂度，还使得方向空间关系的建模更加灵活。

最后，经过GLSKA增强的特征图通过第二个分组卷积层产生输出。

3.3. EffilightHead模块
传统的检测头使用标准卷积层处理多尺度特征图并生成边界框预测。虽然有效，但这些方法通常受到通道间交互有限、特征重新校准不佳和固定组卷积约束的限制，这可能会在具有小物体或被遮挡物体的复杂场景中阻碍检测性能。为了解决这些限制，我们提出了高效轻量级检测头（EffilightHead），这是一种改进的检测头，旨在提高特征表达能力和检测鲁棒性，而不会显著增加计算成本。图6展示了EffilightHead的结构，以及特征重新校准、AdaptiveGroupConv和通道注意力的架构图。

给定从主干网络提取的一组多尺度特征图：
- 提出的EffilightHead由特征增强主干和预测头组成。
- 对于每个尺度，检测头的公式为：
- 所提出的模块结合了自适应组卷积（AdaptiveGroupConv）[40]、特征重新校准和分布焦点损失（DFL）机制。给定来自主干的多尺度特征图，EffilightHead独立处理每个尺度，然后融合多尺度信息以生成最终的边界框和分类预测。AdaptiveGroupConv和Light Channel Attention的示意图如图7所示。

对于输入特征图，AdaptiveGroupConv模块定义为：
- 组数GGG根据[条件]自适应确定：
- Light Channel Attention使用全局平均池化后跟两个全连接层实现：
- 特征重新校准（FR）模块自适应地重新加权通道响应：

3.3.1. 计算复杂性和参数分析
设输入特征图表示为[变量]，其中[变量]表示批量大小，[变量]表示通道数，[变量]表示空间分辨率。
对于YOLO11标准检测头，中间通道维度定义为：
- YOLO11标准检测头的总浮点运算次数（FLOPs）可以表示为：
- 相比之下，提出的EffilightHead的FLOPs由以下公式给出：
- 当通道维度足够大时，EffilightHead实现的计算复杂性相对减少可以估计为：

3.3.2. 参数数量分析
除了计算复杂性外，我们还进一步分析了所提出的检测头的参数效率。
YOLO11标准检测头的可学习参数总数为：
- 对于EfficientDetectHead，参数数量可以表示为：
- 在典型配置下，与YOLO11标准检测头相比，提出的EffilightHead减少了大约[减少的参数数量]的参数。

值得注意的是，基于注意力的模块引入的FLOPs仅随通道维度二次方增长，但通过组卷积得到摊销，从而在表示能力和计算效率之间实现了有利的权衡。

4. 实验和结果
4.1. 实验环境和参数
实验环境和参数配置详细列在表1中。为了确保公平比较，本研究中的任何算法都不使用预训练的权重。此外，所有比较算法和消融实验都在相同的实验条件和训练参数下进行，以确保评估的一致性和可靠性。

表1. 实验环境和详细的训练参数设置
- 项目 | 环境 | 参数
| ---- | ---- | ---- |
| Windows |Epochs | 200 |
| CPU | Intel(R) Xeon(R) Platinum 8260 | 2.40GHz |
| 学习率 | 0.01 |
| GPU | NVIDIA RTX 3090 | |
| 图像大小 | 640×640 |
| RAM | 128GB | |
| 批量大小 | 8 | |
| Pytorch版本 | 2.4.1 | |
| 动量 | 0.937 | |
| CUDA版本 | 12.4 | |
| 优化器 | SGD | |

4.2. 数据集
本研究使用两个广泛使用的自动驾驶基准数据集BDD100K [41]和SODA10M [42]来评估所提出方法在真实世界车辆检测场景中的有效性和泛化能力。
BDD100K由Berkeley AI Research (BAIR)于2018年发布，是最大和最多样化的公共驾驶数据集之一。它包含来自美国不同地区的图像，涵盖了不同的照明（白天/夜晚）、天气（晴天/雨天/雾天）和交通场景（城市街道、高速公路、交叉路口）。这种多样性反映了真实的驾驶条件，并为车辆检测带来了挑战，如尺度变化、遮挡、背景杂乱和照明变化。在本研究中，选择了9,000张图像，并将其分为5,400张训练图像、1,800张验证图像和1,800张测试图像。场景中的实例分布如图8(a)所示。

为了评估泛化和跨数据集的鲁棒性，使用了华为Noah’s Ark Lab和中山大学发布的SODA10M数据集作为辅助基准。与BDD100K不同，SODA10M专注于密集的多类道路对象检测，涵盖六类：行人、自行车、汽车、卡车和三轮车。图像收集自32个城市，这些城市具有不同的道路结构、交通密度、天气和时间条件，带来了诸如小目标检测、类别间相似性和密集分布等挑战。从SODA10M数据集中选取了7,800张图像：5,000张用于训练，1,500张用于验证，1,300张用于测试。类别分布显示在图8(b)中。通过结合强调复杂场景和环境变异性的BDD100K与突出密集多类检测的SODA10M，这些数据集为评估所提出方法在多样化真实世界条件下的准确性、鲁棒性和泛化能力提供了一个互补且全面的评估平台。

4.3 评估指标
在本文中，使用精确度（P）、召回率（R）和平均精度均值（mAP）作为评估指标，以全面评估模型性能。计算方法如下：
(40)
在上述公式中，TP、FP和FN分别代表真正例（正确预测为正的样本）、假正例（错误预测为正的样本）和假负例（正确预测为负的样本）。
平均精度（AP）是精确度-召回率曲线下的面积，代表每个类别的平均准确性，而mAP计算这些平均值的平均值。计算方法如下：
(41)
(42)
浮点运算次数（FLOP）用于量化模型的计算复杂性。参数是训练模型中所有参数的总和，用作衡量模型复杂性的指标。计算方法如下：
(43)
(44)
在上述方程中，H×W表示输入特征图的大小，Cin和Cout分别表示输入和输出特征图的通道数，K表示卷积核的大小。

4.4 算法性能比较实验
为了全面验证所提出的YOLO-VD增强框架的有效性，我们在BDD100K数据集上对九种主流检测架构进行了广泛的比较实验，包括RT-DETR [43] 变体、YOLO-BiFPN [44]、GOLD-YOLO [45]、YOLOv5n、YOLOv8n、YOLOv11n、DINO-DETR[46]、YOLOX[47]、LW-DETR[48]、LEAF-YOLO[49] 和 YOLOv11n。评估涵盖了多个关键性能指标：精确度、召回率、mAP50、mAP50–95 和 FPS。如表2所示，YOLO-VD在所有指标上均表现出色，精确度达到64.3%，召回率为50.7%，mAP50为55.2%，mAP50–95为29.3%，FPS为51.1。

表2. 不同模型在BDD100K数据集上的性能比较
| 模型 | 精确度（%） | 召回率（%） | mAP50（%） | mAP50–95（%） | 参数数量（M） | 浮点运算次数（FLOPs） |
| RT-DETR-L5 | 2.64 | 4.74 | 5.22 | 3.02 | 9.31 | 105.2 | 16.8 |
| RT-DETR-X | 5.74 | 6.14 | 7.22 | 3.86 | 7.32 | 32.4 | 14.3 |
| RT-DETR-ResNet50 | 55.54 | 6.54 | 7.42 | 3.04 | 28.1 | 130.5 | 17.5 |
| RT-DETR-ResNet10 | 156.6 | 47.94 | 9.22 | 4.86 | 191.4 | 13.8 |
| YOLO-BiFPN | 58.84 | 45.84 | 7.92 | 5.41 | 1.96 | 6.4 | 79.3 |
| GOLD-YOLO | 61.04 | 45.54 | 8.82 | 6.16 | 10.2 | 63.5 |
| YOLOv5n | 58.84 | 43.84 | 6.52 | 24.3 | 2.2 | 5.99 | 5.6 |
| YOLOv8n | 59.74 | 43.94 | 47.12 | 24.9 | 2.7 | 6.9 | 8.0 |
| YOLOv11n | 58.94 | 44.64 | 7.22 | 4.82 | 2.6 | 6.4 | 6.2 |
| DINO-DETR | 59.24 | 46.94 | 8.72 | 5.64 | 6.9 | 279.2 | 14.7 |
| YOLOX-s | 59.44 | 44.34 | 6.92 | 4.79 | 26.8 | 38.5 |
| LW-DETR-tiny | 61.54 | 45.34 | 8.62 | 24.8 | 12.1 | 11.2 | 42.8 |
| LEAF-YOLO | 60.64 | 47.24 | 49.52 | 5.34 | 28.0 | 40.5 |

图9直观地展示了每种模型的四个指标的并排条形图。YOLO-VD始终获得最高分数，其在精确度和召回率方面的显著提升凸显了其在检测真正例同时抑制假正例方面的优越能力。mAP50和mAP50–95的改进进一步证实了其在不同IoU阈值下的增强定位和分类准确性。这些结果表明，架构改进显著提高了车辆检测的准确性，并有效降低了城市驾驶环境中的漏检率。值得注意的是，我们的方法具有出色的计算效率，FPS达到51.1，这对于自动驾驶场景中的实时车辆检测应用至关重要。尽管RT-DETR变体表现出竞争力强的准确性，但其高计算复杂性导致FPS显著降低（13.8–17.5），限制了其实时应用性。相反，轻量级YOLO变体（YOLOv5n、YOLOv8n、YOLOv11n）实现了更高的帧率（62–95 FPS），但以大幅降低的检测准确性为代价，尤其是在精确度和召回率方面。

为了全面评估所提出方法在复杂和动态交通场景下的鲁棒性和泛化能力，我们在大规模的SODA10M数据集上进行了广泛的比较实验。如表3所示，我们的模型在所有关键评估指标上均表现出色，精确度为66.1%，召回率为43.5%，mAP50为49.0%，mAP50–95为31.4%。值得注意的是，与基线模型相比，召回率、mAP50和mAP50–95分别提高了5.1%、6.7%和4.6%。尽管有这些显著提升，我们的模型仍然保持轻量级，参数数量仅为2.61M，浮点运算次数为8.6 GFLOPs，并实现了48.3 FPS的实时速度，非常适合资源受限的自动驾驶系统。

图10提供了不同模型在BDD100K数据集上的训练比较图。

4.4.1 计算复杂性和推理效率分析
为了全面评估YOLO-VD的轻量级特性和实时部署能力，本节从两个角度对YOLOv11家族的不同变体（n/s/m/l/x）进行了定量比较：模型复杂性（参数数量和FLOPs）和推理效率（FPS）。所有实验都在相同的硬件环境下进行，以确保结果公平可比。BDD100K数据集的定量比较显示在表4中，SODA10M数据集的比较显示在表5中。

表4. 所提出方法与不同YOLOv11变体在GFLOPs、参数数量、FPS、模型大小（MS）和mAP50方面的比较

尽管引入了CSP-EAN、GSPPF和Effilight Head模块，YOLO-VD的参数大小仍与基线YOLOv11n（2.6M）相同，证明了所提出模块设计的轻量级特性，没有额外的存储开销。在计算效率方面，YOLO-VD实现了有利的准确性-复杂性权衡。与YOLOv11n相比，FLOPs在BDD100K上从6.4G增加到8.7G，在SODA10M上增加到8.6G，而mAP50分别提高了8.0%和6.7%，表明计算量的小幅增加带来了显著的性能提升。此外，YOLO-VD保持了实时推理能力，在BDD100K上达到51.1 FPS，在SODA10M上达到48.3 FPS，均超过了智能交通系统的实时要求（≥30 FPS）。尽管其推理速度低于YOLOv11n，但YOLO-VD仍然比大型变体（YOLOv11s/l/x）快得多，同时提供了显著更高的检测准确性。

图10提供了与九种竞争模型的全面性能比较。所提出的YOLO-VD模型在所有四个关键指标——精确度、召回率、mAP50和mAP50–95——上始终获得最高分数，证明了其卓越的有效性和鲁棒性。准确性和计算效率之间的良好平衡使我们的方法特别适合需要高精度和实时处理能力的实际车辆检测应用。总体而言，这些结果验证了所提出算法在多样化和具有挑战性的道路车辆检测场景中的强大泛化能力。

4.4.2 白天视觉比较
为了评估所提出的YOLO-VD模型的检测能力，我们在BDD100K和SODA10M数据集的白天测试子集上对几种最先进的对象检测器进行了定量和定性比较。如图11和图12所示，红色虚线框表示漏检的车辆，黄色虚线框表示漏检的交通标志，绿色虚线框突出显示了假正例或重复检测。

图11（a）–（i）和图12（a）–（i）显示，竞争算法在处理复杂道路场景中的小规模或部分遮挡目标时经常出现显著的漏检（红色和黄色框）和假正例（绿色框），尤其是在车辆后部、障碍物边缘和标志边界等细粒度区域。相比之下，所提出的YOLO-VD模型在相同的评估条件下表现出显著增强的鲁棒性和精确度。如图11和图12所示，YOLO-VD不仅成功恢复了其他方法遗漏的小型车辆实例，还有效抑制了由背景纹理或视觉噪声引起的假正例。定量上，YOLO-VD在BDD100K测试集上的假正例率显著低于基线模型。此外，在以密集交通、严重车辆遮挡和动态变化的道路布局为特征的高度复杂城市场景中——这在SODA100M测试集中经常遇到——YOLO-VD始终保持稳定可靠的检测性能。该模型有效区分了部分遮挡的车辆和紧密排列的车辆群，同时抑制了由重叠对象、背景杂乱或不良光照条件引起的假正例。这些结果明确证实了YOLO-VD模型在白天道路车辆检测任务中的卓越准确性、鲁棒性和可靠性。

4.4.3 夜间视觉比较
为了评估所提出的YOLO-VD模型在夜间条件下的检测性能，我们使用BDD100K和SODA100M数据集的夜间验证子集对几种最先进的对象检测算法进行了比较实验。如图13和图14所示，不同类型的检测错误用虚线框突出显示：红色表示漏检的车辆，黄色表示漏检的交通标志，白色标记漏检的行人，绿色表示假正例或重复检测。

图13（a）–（i）和图14（a）–（i）显示，竞争方法在低光照条件下在重叠区域和部分遮挡目标上经常出现显著的漏检。此外，图14（a）–（i）显示，这些方法在夜间经常生成冗余或重复的检测。相比之下，所提出的YOLO-VD模型在相同的测试条件下表现出显著增强的鲁棒性和精确度。它准确定位了小型和遮挡的目标，同时有效抑制了虚假和冗余的预测。

图13（a）–（i）和图14（a）–（i）显示，竞争方法在低光照条件下在重叠区域和部分遮挡目标上经常出现显著的漏检。此外，图14（a）–（i）显示，这些方法在夜间经常生成冗余或重复的检测。相比之下，所提出的YOLO-VD模型在相同的测试条件下表现出显著的鲁棒性和精确度。这些比较结果强调了YOLO-VD模型在夜间道路车辆检测任务中的卓越准确性和可靠性。

4.5 GSPPF热图比较
为了评估所提出的GSPPF模块的性能提升，我们在BDD100K数据集上对七种最先进的SPPF变体进行了比较分析，结果如表6所示。GSPPF模块在召回率、mAP50、mAP50–95和FPS方面超越了所有七个对手，分别达到了45.8%、48.0%、25.5%和78.9%。这种卓越的性能源于GLSKA空间注意力机制的集成，该机制动态强调了输入特征图中的显著空间位置，有效抑制了来自冗余区域的干扰，提高了对象定位的精确度。这些结果强调了GSPPF模块同时减弱背景噪声并精确聚焦于与车辆相关特征的能力，从而显著提高了BDD100K基准测试上的检测准确性。

表6. GSPPF模块与其他七种SPPF模块在BDD100K数据集上的性能比较

为了更直观地比较这八个模块的性能，我们评估了四个性能指标：精确度、召回率、mAP50和mAP50–95，如图15所示。

图15清楚地表明，除了精确度指标外，所提出的GSPPF模块在其他指标上显著优于其他模块。这强调了其在对象检测任务中实现的高性能和效率之间的平衡。

为了评估kernel_size对模型性能的影响，使用不同的kernel_size配置进行了一系列消融实验。相应结果总结在表7中。

表7. 不同kernel_size配置下模型的性能比较

表7. 不同kernel_size配置下模型的性能比较

如图表所示，配置为Kernel_size = 7的模型在所有评估指标上始终表现出色。根据这一观察结果，选择 kernel_size = 7 作为最佳设置，并在整个研究的剩余部分采用该设置。此外，为了更直观地比较各模型之间的性能差异，我们进行了涉及所有八个模型的热图分析，如图 16 所示。下载：下载高分辨率图像（966KB）下载：下载全尺寸图像图 16. 八种不同 SPPF 模型的热图比较。热图比较显示，所提出的 GSPPF 模型的性能明显优于其他七个模型。这种优越性归因于分组卷积机制，该机制显著提高了计算效率，以及 GLSKA 模块的整合，增强了空间特征的提取能力。此外，多尺度和膨胀卷积技术的集成扩大了感受野。这些改进使 GSPPF 能够在保持低计算开销的同时提供更强的特征表示，从而在目标检测任务中实现了准确性和效率之间的良好平衡。4.6. CSP-EAN 分析实验为了研究 CSP-EAN 模块数量对整体算法性能的具体影响，在 BDD100K 数据集上进行了一系列重新参数化的比较实验。这些实验旨在评估 CSP-EAN 集成的深度变化如何影响检测准确性和模型效率。详细的实验结果如表 8 所示。表 8. BDD100K 数据集上 CSP-EAN 模块的重新参数化比较实验。数量精确度（%）召回率（%）mAP50（%）mAP50-95（%）参数（M）Flops（G）063.449.153.428.02.77.9165.349.954.628.82.78.3264.450.455.529.22.78.7364.650.354.928.92.78.7463.351.055.029.12.68.6563.051.155.129.12.68.66*64.350.755.229.32.68.6764.650.055.129.12.68.5863.950.455.028.82.68.5962.150.454.328.52.68.51064.549.854.928.72.58.4如表 8 所示，当 CSP-EAN 模块的数量设置为 6 时，模型在三个性能指标（精确度、mAP50 和 mAP50-95）上取得了最高的成绩。这种改进归因于注意力机制的整合、高效的卷积设计和跨阶段部分连接，与传统 C3K2 模块相比显示出显著提升。值得注意的是，尽管模型的计算复杂度增加了 0.7G，但参数数量减少了 0.1M。这表明这种配置在这些评估指标上实现了最佳的整体模型性能。它在计算效率和特征表示能力之间取得了更好的平衡，特别适合资源受限的环境。为了验证 CSP-EAN 模块的核心组件——即分组卷积（GC）、逐点卷积（PWC）和注意力机制（ADConv）的有效性，我们使用 YOLOv11n 作为基线进行了逐步消融研究。每个组件都被逐步集成，并在其对 BDD100K 和 SODA10M 数据集的影响进行了评估，总结如下：表 9. 以 YOLOv11n 为基线的 BDD100K 和 SODA10M 数据集的逐步消融实验。方法BDD100KSODA10MF1-scoremAP50（%）F1-scoremAP50（%）基线50.747.245.442.3基线+GC51.147.845.943.2基线+GC+PWC51.648.546.143.8基线+GC+PWC+Attention51.848.946.744.1为了研究注意力机制中不同缩减比例对模型性能的影响，在各种缩减配置下进行了一系列消融实验。结果如表 10 所示。表 10. 注意力模块中不同缩减比例对模型性能的影响。名称精确度（%）召回率（%）mAP50（%）mAP50-95（%）缩减=260.64648.825.6缩减=461.445.648.926缩减=860.945.448.825.6缩减=1660.245.548.825.9缩减=3260.745.748.425.4缩减=6460.545.448.725.6缩减=12859.545.948.825.6如表 10 所示，当缩减比例设置为 4 时，模型在三个性能指标上取得了最佳成绩。因此，本研究采用 4 作为最佳配置。为了进一步说明缩减比例对特征表示的影响，可视化了不同缩减比例（缩减 = 2、4、8、16、32、64、128）的特征图并进行比较。图 17 显示了不同缩减比例的特征图比较。从可视化结果来看，较低的缩减比例保留了更详细的空间信息，而较高的缩减比例导致表示逐渐变粗，辨别特征减少。值得注意的是，缩减比例为 4 的特征图在保留基本结构信息和抑制冗余之间取得了平衡，支持其作为最佳配置的选择。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图 17. 不同缩减比例的特征图比较。4.7. 不同检测头的比较为了验证所提出的 EffilightHead 在道路车辆检测任务中的有效性，我们在 BDD100K 数据集上对三种代表性的先进检测头（Detect-LADH、Detect-LSCD 和 Detect-SEAM）进行了全面的比较实验。评估涵盖了多个维度，包括检测准确性、计算复杂性和推理效率。结果总结在表 11 中。表 11. 所提出的 EffilightHead 与其他最先进检测头在 BDD100K 数据集上的比较性能分析。模块精确度（%）召回率（%）mAP50（%）mAP50-95（%）参数（M）Flops（G）FPSDetect-LADH [51]58.743.946.324.22.35.391.3Detect-LSCD [52]59.244.147.224.82.45.785.3Detect-SEAM [53]58.344.447.324.83.08.270.6EffilightHead63.647.952.627.62.67.860.5在检测准确性方面，EffilightHead 在所有评估指标上始终优于所有基线方法。具体来说，它的精确度达到了 63.6%，比表现最好的基线 Detect-LSCD 提高了 4.4 个百分点。召回率达到了 47.9%，比 Detect-SEAM 高出 3.5 个百分点。更重要的是，EffilightHead 的 mAP50 为 52.6%，比第二好的方法 Detect-SEAM 高出 5.3 个百分点。此外，它的 mAP50-95 为 27.6%，比所有基线模型高出 2.8 个百分点。这些结果表明 EffilightHead 在道路车辆检测场景中表现出优越的对象定位和分类准确性。从计算效率的角度来看，评估的检测头在参数数量、计算复杂性和推理速度之间表现出不同的权衡。Detect-LADH 的参数数量最少（2.29M），计算成本最低（5.3GFLOPs），因此 FPS 最高，达到 91.3。Detect-LSCD 保持相对较低的参数数量（2.43M）和略微增加的复杂性（5.7GFLOPs），实现了 85.3 FPS。尽管 Detect-SEAM 的准确性有所提高，但其参数数量为 3.02M，计算复杂度为 8.2GFLOPs，FPS 下降到 70.6。所提出的 EffilightHead 在准确性和效率之间取得了良好的平衡。虽然其推理速度（60.5 FPS）低于轻量级基线，但仍处于实时检测的可接受范围内。值得注意的是，EffilightHead 以适中的参数数量（2.61M）和计算复杂度（7.8GFLOPs）实现了这一性能，同时显著提高了检测准确性。与类似模型大小的方法相比，EffilightHead 在检测性能上取得了显著提升，而没有引入过多的计算开销，展示了卓越的效率-准确性权衡特性。为了更直观地比较，图 18 展示了所有检测头的性能指标，包括精确度、召回率、mAP50 和 mAP50-95。下载：下载高分辨率图像（510KB）下载：下载全尺寸图像图 18. 四种检测头的性能比较。总之，实验结果证实了所提出的 EffilightHead 在道路车辆检测方面的明显优势。它在所有与准确性相关的指标上实现了持续的改进，同时保持了实际的计算效率，验证了其在实际应用中的有效性和可行性。4.8. 消融实验为了严格评估所提出组件的有效性，我们进行了一系列针对三个关键模块（CSP_EAN、GSPPF 和 EffilightHead）的消融实验。评估指标包括精确度、召回率、mAP50、mAP50-95 和以每秒帧数（FPS）计量的推理速度。实验结果如表 12 所示。表 12. 消融实验的结果。方法精确度（%）召回率（%）mAP50（%）mAP50-95（%）FPSCSP_EANGSPPFEffilightHead158.944.647.224.862.02?60.345.448.925.868.43?58.045.848.025.578.94?63.148.052.927.960.55??60.645.249.025.861.36??62.748.353.228.055.87??64.349.655.029.152.38???64.350.755.229.351.1未经任何所提模块集成的基线模型的精确度为 58.9%，召回率为 44.6%，mAP50 为 47.2%，mAP50-95 为 24.8%，FPS 为 62。我们逐步引入每个模块以评估其单独的贡献并探索组合时的潜在协同效应。集成 CSP_EAN 模块后，精确度提高到 60.3%，mAP50 提高到 48.9%，同时 FPS 也提高到 68.4。这些结果表明 CSP_EAN 不仅提高了检测准确性，还提高了计算效率。当单独使用时，GSPPF 模块显著提高了 FPS 到 78.9，并伴随着检测准确性的适度提升。这表明 GSPPF 在加速模型推理方面非常有效，非常适合实时车辆检测应用。EffilightHead 模块在检测性能上取得了最大的改进，精确度提高到 63.1%，mAP50 提高到 52.9%，mAP50-95 提高到 27.9%。这些改进突显了其在特征表示和多尺度信息融合方面的卓越能力。我们进一步评估了所提模块的组合，以研究它们的互补效应。CSP_EAN 和 GSPPF 的集成保持了竞争性的准确性，同时保持了高推理速度。CSP_EAN 和 EffilightHead 的组合在检测准确性和运行效率之间取得了良好的权衡。CSP_EAN 和 EffilightHead 的组合进一步提高了准确性，精确度达到 64.3%，mAP50 达到 55.0%，尽管推理速度有所下降。当三个模块全部集成时，观察到了最佳的整体性能。在这种配置下，模型的精确度为 64.3%，召回率为 50.7%，mAP50 为 55.2%，mAP50-95 为 29.3%，FPS 为 51.1。与基线相比，这代表了精确度提高了 5.4%，召回率提高了 6.1%，mAP50 提高了 8.0%，mAP50-95 提高了 4.5%。尽管 FPS 有所下降，最终模型仍满足实时道路车辆检测的要求。这些消融结果令人信服地证明了每个所提模块的有效性，并强调了它们集成所带来的协同效益，从而验证了所提出检测框架的合理性和整体优越性。5. 结论本研究通过提出一种改进的基于 YOLO 的车辆检测算法 YOLO-VD，解决了复杂交通场景中检测准确性低、误报率高和实时性能有限的挑战。通过集成多个新颖模块来增强特征提取、空间建模和多尺度感知，YOLO-VD 在 BDD100K 和 SODA10M 数据集上分别实现了 8.0% 和 6.7% 的 mAP 提升，同时在 GPU 上保持了 51.1 FPS 和 47.3 FPS 的实时推理速度，证明了其在复杂交通环境中的有效性和实际潜力。然而，YOLO-VD 在高交通密度、严重遮挡和其他具有挑战性的条件下仍存在局限性。未来的工作将集中在进一步提高模型鲁棒性和优化网络效率以降低计算复杂性上。此外，未来的工作还将涉及在嵌入式设备和边缘计算平台上评估该算法的实时性能，以评估其在资源受限环境中的适用性。cRediT 作者贡献声明杨思楠：项目管理、正式分析、数据管理。刘彦茹：监督、项目管理、资金获取、数据管理。任帅：监督、项目管理、正式分析、数据管理。郭传东：写作-审稿与编辑、监督、资源管理、项目管理、正式分析。曹丽佳：监督、资源管理、资金获取、数据管理。宋书琪：写作-审稿与编辑、原始草稿编写、可视化、验证、软件开发、调查、数据管理。数据可用性数据将根据请求提供。