基于改进YOLOv8的低照度图像目标检测方法及装置

本发明涉及计算机视觉，特别是指一种基于改进yolov8的低照度图像目标检测方法及装置。

背景技术：

1、现有的大多数目标检测模型都是基于光照清晰、特征明显的高质量图片进行训练的，然而，在实际应用中，不可避免地会遇到一些光照条件较差的场景，采集到的图像存在一系列质量退化问题，如对比度低、噪声多且细节信息丢失、目标与环境边界不明显等，这使得检测算法的性能下降，可能为夜间监控、夜间辅助驾驶等带来潜在风险。

2、yolov8是由ultralytics公司推出的高性能单阶段检测模型，它以独特的网络结构和优异的性能在目标检测领域脱颖而出，根据不同的网络深度和宽度需求，分为n、s、l、m、x五种规格，其中yolov8n在保证检测精度的同时检测速度最快，但在低照度场景下进行目标检测时仍然存在一些问题，存在漏检和误检的现象。

技术实现思路

1、针对上述问题，本发明的目的在于提供一种基于改进yolov8的低照度图像目标检测方法及装置，在保证检测速度的前提下，提升低照度场景下目标检测的精确率和召回率。

2、为解决上述技术问题，本发明提供如下技术方案：

3、一方面，提供了一种基于改进yolov8的低照度图像目标检测方法，所述方法包括以下步骤：

4、步骤1，获取低照度图像数据集，进行标注并划分为训练集、验证集和测试集；

5、步骤2，构建改进的yolov8低照度图像目标检测模型；

6、其中，改进的yolov8低照度图像目标检测模型包括：在主干网络中引入repvgg重参数化模块，替代主干网络的卷积模块；在c2f模块中引入gam全局注意力机制，用c2f_gam模块代替主干网络中的最后一个c2f模块；将主干网络中的sppf模块替换为sppfcspc模块；在颈部网络中引入carafe轻量级上采样算子，代替upsample上采样模块；

7、步骤3，将低照度图像数据集输入改进的yolov8低照度图像目标检测模型进行训练，并得到检测结果。

8、可选地，所述步骤1中，将低照度图像数据集划分为训练集、验证集和测试集，划分比例为7：1.5：1.5。

9、可选地，所述步骤2中，将主干网络中除第一个卷积模块以外，其余卷积模块替换为repvgg重参数化模块；repvgg重参数化模块对vgg网络3×3卷积进行重构，额外添加一条1×1卷积和残差分支，通过重参数化方法实现训练结构和推理结构解耦。

10、可选地，所述步骤2中，c2f_gam模块先经过一个1×1的卷积模块减少参数量，再经过split操作将特征图划分为两个分支，其中一个分支不进行任何处理，另一个分支先通过两个卷积模块，再通过一个gam注意力机制模块；两个分支得到相同输出通道数的特征图，通过concat操作将两个分支的输出特征图进行拼接。

11、可选地，所述步骤2中，在主干网络的sppf模块中引入csp架构，形成sppfcspc模块，将输入特征分为两个分支进行差异化处理，第一分支的特征图通过卷积层进行深度提取和转换，第二分支的特征图则通过spp结构进行处理，先将输入特征图经过3个不同的卷积核进行特征提取，然后分别进行3次最大池化得到不同的特征图并通过concat操作拼接，将拼接的结果通过两个卷积核处理后与第一分支的结果通过concat操作拼接。

12、可选地，所述步骤2中，carafe轻量级上采样算子包括上采样核预测模块和特征重组模块，以实现特征图的上采样；

13、所述上采样核预测模块通过对大小h×w×c的特征图进行通道压缩和内容编码来预测形状为的上采样核，其中σ为上采样倍率，最后对得到的上采样核利用softmax进行归一化，以确保上采样核的权重在预设范围内，并反映输入特征图的局部特性；

14、所述特征重组模块利用预测出的上采样核对输入特征图进行上采样，通过上采样核与输入特征图的局部区域进行点积运算，计算出输出特征图的每个像素值。

15、可选地，所述步骤3中，输入改进的yolov8低照度图像目标检测模型的低照度图像数据集中图像的大小为640×640×3。

16、另一方面，提供了一种基于改进yolov8的低照度图像目标检测装置，用于实现上述任一项所述的方法，所述装置包括：

17、数据获取模块，用于获取低照度图像数据集，进行标注并划分为训练集、验证集和测试集；

18、模型改进模块，用于构建改进的yolov8低照度图像目标检测模型；

19、其中，改进的yolov8低照度图像目标检测模型包括：在主干网络中引入repvgg重参数化模块，替代主干网络的卷积模块；在c2f模块中引入gam全局注意力机制，用c2f_gam模块代替主干网络中的最后一个c2f模块；将主干网络中的sppf模块替换为sppfcspc模块；在颈部融合网络中引入carafe轻量级上采样算子，代替upsample上采样模块；

20、训练与检测模块，用于将低照度图像数据集输入改进的yolov8低照度图像目标检测模型进行训练，并得到检测结果。

21、另一方面，提供了一种电子设备，所述电子设备包括：

22、处理器；

23、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器加载并执行时，实现如上述低照度图像目标检测方法的步骤。

24、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述低照度图像目标检测方法的步骤。

25、本发明提供的技术方案带来的有益效果至少包括：

26、(1)在yolov8主干网络中引入repvgg结构重参数化模块，增加模型的特征捕捉能力；(2)将yolov8主干网络中最后一个c2f模块替换为c2f_gam模块，帮助模型提取不同维度的交互信息；(3)采用sppfcspc模块使得模型更有效的提取信息；(4)在颈部网络中使用carafe轻量级上采样算子，有效保留特征图的语义信息。

27、本发明在低照度场景下进行检测，与传统yolov8模型相比，精确率提升1.2%，召回率提升1.9%，map@.5提升1.9%，能够有效地提高在低照度场景下目标检测的性能。

技术特征：

1.一种基于改进yolov8的低照度图像目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的低照度图像目标检测方法，其特征在于，所述步骤1中，将低照度图像数据集划分为训练集、验证集和测试集，划分比例为7：1.5：1.5。

3.根据权利要求1所述的低照度图像目标检测方法，其特征在于，所述步骤2中，将主干网络中除第一个卷积模块以外，其余卷积模块替换为repvgg重参数化模块；repvgg重参数化模块对vgg网络3×3卷积进行重构，额外添加一条1×1卷积和残差分支，通过重参数化方法实现训练结构和推理结构解耦。

4.根据权利要求1所述的低照度图像目标检测方法，其特征在于，所述步骤2中，c2f_gam模块先经过一个1×1的卷积模块减少参数量，再经过split操作将特征图划分为两个分支，其中一个分支不进行任何处理，另一个分支先通过两个卷积模块，再通过一个gam注意力机制模块；两个分支得到相同输出通道数的特征图，通过concat操作将两个分支的输出特征图进行拼接。

5.根据权利要求1所述的低照度图像目标检测方法，其特征在于，所述步骤2中，在主干网络的sppf模块中引入csp架构，形成sppfcspc模块，将输入特征分为两个分支进行差异化处理，第一分支的特征图通过卷积层进行深度提取和转换，第二分支的特征图则通过spp结构进行处理，先将输入特征图经过3个不同的卷积核进行特征提取，然后分别进行3次最大池化得到不同的特征图并通过concat操作拼接，将拼接的结果通过两个卷积核处理后与第一分支的结果通过concat操作拼接。

6.根据权利要求1所述的低照度图像目标检测方法，其特征在于，所述步骤2中，carafe轻量级上采样算子包括上采样核预测模块和特征重组模块，以实现特征图的上采样；

7.根据权利要求1所述的低照度图像目标检测方法，其特征在于，所述步骤3中，输入改进的yolov8低照度图像目标检测模型的低照度图像数据集中图像的大小为640×640×3。

8.一种基于改进yolov8的低照度图像目标检测及装置，所述装置用于实现如权利要求1至7中任一项所述的方法，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至7中任一项所述的方法。

技术总结本发明提供一种基于改进YOLOv8的低照度图像目标检测方法及装置，涉及计算机视觉技术领域。所述方法包括：获取低照度图像数据集，进行标注并划分为训练集、验证集和测试集；构建改进的YOLOv8低照度图像目标检测模型；其中，在主干网络中引入RepVGG重参数化模块，在C2f模块中引入GAM全局注意力机制，将主干网络中的SPPF模块替换为SPPFCSPC模块；在颈部网络中引入CARAFE轻量级上采样算子；将低照度图像数据集输入改进的YOLOv8低照度图像目标检测模型进行训练，并得到检测结果。本发明在改进的YOLOv8模型上进行低照度场景下的目标检测，能够提高检测的精确率和召回率。技术研发人员：刘涛,王雪,曾慧受保护的技术使用者：北京科技大学技术研发日：技术公布日：2024/12/2