摘要：在智能交通系统中，无人机视角的车辆检测因其灵活性和高效性，受到越来越多的关注。无人机的车辆检测面临目标尺寸小、尺度变化大、复杂背景干扰、计算资源有限等问题，如何在有限的计算资源下提升检测精度是一个重要的挑战。针对以上问题，本文提出了一种精度更高且轻量的车辆检测模型YOLO-SWR。首先，该模型在保持三尺度检测的前提下增加了针对小目标的检测层，充分提取小目标的位置信息和细节特征，同时采用共享轻量检测头，减少网络参数量和计算量；其次，在骨干和颈部网络中使用小波变换替代传统卷积，利用低频和高频分量提取多尺度特征；另外，在C3k2模块中集成RDS模块，加强从网络高层的可扩展感受野中提取特征，并通过残差结构和深度可分离卷积融合浅层特征和深层特征，同时缓解梯度消失问题；最后，采用Soft-NMS 策略优化目标框筛选过程，提升细节特征的处理精度。实验结果表明，基于筛选后的VisDrone2019数据集，本文提出的模型YOLO-SWR比基础模型YOLOv11n，在mAP方面提升了9.6%，同时参数量减少了56%。因此，本文提出的模型YOLO-SWR在精度与轻量化方面均具有显著优势。
文章目录
1 YOLOv11模型
2 YOLO-SWR检测模型
2.1 小目标层和SLD检测头
2.2 小波池化模块
2.3 C3k2＿RDS模块
2.4 Soft-NMS
3 实验与分析
3.1 实验数据集
3.2 评价指标
3.3 实验环境与训练参数
3.4 消融实验分析
3.5 对比实验分析
3.6 结合ByteTrack跟踪算法验证鲁棒性
3.7 可视化结果与分析
4 结束语
