SOD-YOLOv8—Aprimorando YOLOv8 para Detecção de Objetos Pequenos em Imagens Aéreas e Cenas de Tráfego

A detecção de objetos, como um aspecto crucial da visão computacional, desempenha um papel vital na gestão de tráfego, resposta a emergências, veículos autônomos e cidades inteligentes. Apesar dos avanços significativos na detecção de objetos, detectar objetos pequenos em imagens capturadas por câmeras de alta altitude continua a ser um desafio, devido a fatores como tamanho do objeto, distância da câmera, formas variadas e fundos desordenados. Para enfrentar esses desafios, propomos a detecção de objetos pequenos YOLOv8 (SOD-YOLOv8), um modelo inovador projetado especificamente para cenários que envolvem numerosos objetos pequenos. Inspirados por redes de pirâmide de características generalizadas eficientes (GFPNs), aprimoramos a fusão multipista dentro do YOLOv8 para integrar características em diferentes níveis, preservando detalhes de camadas mais rasas e melhorando a precisão na detecção de objetos pequenos. Além disso, introduzimos uma quarta camada de detecção para utilizar efetivamente informações espaciais de alta resolução. O módulo de atenção multi-escala eficiente (EMA) no módulo C2f-EMA aprimora ainda mais a extração de características ao redistribuir pesos e priorizar características relevantes. Introduzimos o powerful-IoU (PIoU) como um substituto para o CIoU, focando em caixas de âncora de qualidade moderada e adicionando uma penalidade com base nas diferenças entre os cantos da caixa delimitadora prevista e a verdade de terra. Essa abordagem simplifica os cálculos, acelera a convergência e melhora a precisão da detecção. O SOD-YOLOv8 melhora significativamente a detecção de objetos pequenos, superando modelos amplamente utilizados em várias métricas, sem aumentar substancialmente o custo computacional ou a latência em comparação com o YOLOv8s. Especificamente, aumentou a revocação de 40,1% para 43,9%, a precisão de 51,2% para 53,9%, mAP0.5 de 40,6% para 45,1% e mAP0.5:0.95 de 24% para 26,6%. Além disso, experimentos realizados em cenas de tráfego dinâmico do mundo real ilustraram as melhorias significativas do SOD-YOLOv8 em diversas condições ambientais, destacando sua confiabilidade e capacidades efetivas de detecção de objetos em cenários desafiadores.