面向车路协同的路侧交通目标检测模型及部署.pdfVIP

JournalofComputerApplicationsISSN1001‑90812025‑03‑10

计算机应用,2025,45(3):1016-1024CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）03-1016-09DOI:10.11772/j.issn.1001-9081.2024040424

面向车路协同的路侧交通目标检测模型及部署

1，2*12

王泉，曹心雨，陈祺东

（1.南京信息工程大学电子与信息工程学院，南京210044；2.无锡学院物联网工程学院，江苏无锡214105）

（∗通信作者电子邮箱wangquan@cwxu.edu.cn）

摘要：车路协同旨在通过信息交换和协作实现智能高效的交通管理，其中高精度、轻量化且易于部署的路侧视

角下的车辆与行人检测至关重要。因此，提出基于改进YOLOv8的轻量化交通目标检测模型。首先，引入FasterNet

中的FasterBlock替换原始C2f中的某些瓶颈组件，以减少浮点运算量（GFLOPs）和参数量，降低整体模型的复杂性；其

次，在模型的颈部网络采用兼顾速度和精度的GSConv（GroupShuffleConvolution）替代原有的卷积核，并引入SlimNeck

特征融合模块，使每个特征层能够同时考虑深层特征的语义信息和浅层特征的细节；再次，使用MPDIoU（Minimum

PointDistancebasedIntersectionoverUnion）替换原有的损失函数，以提高模型的边界框回归性能；最后，通过通道剪枝

修剪模型网络中的冗余连接，以减小模型规模并提高检测速度。实验结果表明，经过改进和剪枝的模型与原始

YOLOv8s相比，精度提升了1.0个百分点，平均精度均值（mAP）提升了1.2个百分点，计算量和参数量分别降低了

70.1%和69.4%。并且，在边缘设备Atlas200IDKA2（算力4TOPS，功耗9W）的条件下，所提模型达到了

58.03frame/s的检测速度。

关键词：车路协同；YOLOv8；损失函数；模型剪枝；嵌入式部署；边缘计算

中图分类号：TP183文献标志码：A

Roadsidetrafficobjectdetectionmodelanddeploymentforvehicle-roadcollaboration

1，2*12

WANGQuan，CAOXinyu，CHENQidong

（1.SchoolofElectronicsandInformationEngineering，NanjingUniversityofInformationScienceandTechnology，

NanjingJiangsu210044，C