摘要：为了解决现有目标算法在复杂环境下检测精度低和漏检率高的问题，对YOLOv8算法进行改进：引入坐标注意力（CA）机制到骨干网络，通过CA同时捕获长程依赖和保留位置信息，增强对目标的特征提取；通过调整颈部网络结构增加大目标检测层，实现在同一图片中检测各种大小的目标，有效检测多果实遮挡和树叶遮挡下大小不一的苹果；引入深度可分离卷积（DWConv）和C2模块，减少计算量和参数数量，同时提高模型的效率和速度；最后在自建数据集中进行训练，得到消融实验和对比实验的结果。改进后的YOLOv8算法平均精度达到92.8%，精确率90.1%，召回率87.5%，与常用模型（Fast R-CNN、YOLOv5s、YOLOv7-Tiny、YOLOv8n）对比，平均精度分别提高3%、4.2%、7.1%、5%，说明改进算法的检测精度更高、漏检情况更少。
文章目录
1 YOLOv8模型
2 YOLOv8模型的改进
2.1 改进的YOLOv8结构
2.2 坐标注意力机制
2.3 大目标检测层
2.4 深度可分离（Depthwise Separable Convolution， DWConv）卷积
3 实验结果与分析
3.1 数据集制作
3.2 实验平台
3.3 评价指标
3.4 消融实验
3.5 对比实验
3.5.1可视化对比
3.5.2经典模型对比
3.5.3注意力模块对比
3.5.4卷积模块对比
4 结论
