摘要：内河船舶目标检测中，众多检测对象属于小目标范畴，其在图像中的像素占比有限，且由于水域环境干扰等问题，导致检测精度不足，误检、漏检现象频发，为此研究了PEW-YOLOv8(YOLOv8+P2检测层+EfficientNetV2+WIoUinner)目标检测算法。新增160×160分辨率的P2浅层次小目标检测层，通过32维特征空间重构实现多尺度特征的动态权重分配，设计高低层特征的双向交互机制，增强对小型船舶目标的特征提取能力；为应对多层次目标检测头导致的模型训练参数量增加的难题，采用改进的EfficientNetV2高效架构优化策略，引入Stems模块采用GELU激活函数避免梯度爆炸和训练不稳定，训练阶段保留扩展4倍的通道数，简化卷积结构显著加速训练过程，同时保证模型训练质量；设计动态非单调聚焦机制的WIoUinner损失函数，构建具有一定尺度差异的辅助预测框，加速边界框收敛速度，使模型在预测框与真实框重合良好时更注重中心点之间的距离，减轻几何度量的惩罚，从而提升模型的泛化能力。通过融合公开的Seaships数据集与自建数据集形成的数据集进行算法与实验验证，结果表明：同YOLOv10相比，PEW-YOLOv8平均检测精度达到94.8%，提升了3%，计算复杂度显著降低，FLOPs优化至3.7 G，降幅达43.1%，展现了在内河船舶目标检测精度和效率方面的优势；热力图分析进一步凸显了模型能有效聚焦内河船舶特征，验证了算法在复杂内河场景下的检测鲁棒性。
