优化道路安全：轻量级YOLOv8模型和GhostC2f设计在实时分心驾驶检测中的进展

快速检测分心驾驶行为对增强道路安全和防止交通事故至关重要。与传统的分心驾驶行为检测方法相比，YOLOv8模型已被证明具有强大的能力，使其能够更迅速地感知全球信息。目前，GhostConv在边缘计算和嵌入式系统中的成功应用进一步验证了轻量化设计在使用大模型进行实时检测方面的优势。有效地将轻量化策略整合到YOLOv8模型中，并减少其对模型性能的影响，已成为基于深度学习的实时分心驾驶检测领域的一个重点。受GhostConv的启发，本文提出了一种创新的GhostC2f设计，旨在将线性转换的理念集成到YOLOv8中，以在不增加额外计算的情况下生成更多的特征图，用于实时分心驾驶检测任务。目标是减少模型参数和计算负载。此外，还对路径聚合网络（PAN）进行了增强，以放大多层特征融合和上下文信息传播。此外，引入了简单注意机制（SimAMs），对每个特征图进行自我归一化，强调具有有价值信息的特征图，并抑制复杂背景中的冗余信息干扰。最后，公开可用的SFDDD数据集中九种不同的分心驾驶类型扩展为14类，并引入了夜间场景。结果表明，模型准确率提高了5.1%，模型权重大小和计算负载分别减少了36.7%和34.6%。在30次真实车辆测试中，白天的分心驾驶检测准确率达到了91.9%，夜间为90.3%，证明了所提出模型在协助分心驾驶检测及降低事故风险方面的卓越性能。