基于YOLOv8n的算法融合与优化：面向Web端实时车辆与行人检测的改进方案
基于YOLOv8n的算法融合与优化：面向Web端实时车辆与行人检测的改进方案
摘要
随着边缘计算与Web技术的深度融合，在浏览器端实现高精度、低延迟的目标检测已成为智能交通、安防监控等领域的重要需求。YOLOv8n作为YOLO系列的轻量化基准模型，凭借其3.2M的参数量和8.7G的FLOPs，在CPU端可实现30FPS以上的实时检测，完美适配Web系统的低算力、高响应场景。然而，在实际部署中，车辆与行人检测面临遮挡、尺度差异、复杂环境干扰及小目标漏检等严峻挑战。本文基于YOLOv8n原有架构，提出两项针对性改进：一是在Backbone末端采用CA_SPPF模块替换SPPF模块，融合坐标注意力机制以增强对遮挡目标的位置感知能力；二是在Neck层引入BiFPN-4H模块替代PAN-FPN结构，通过四层双向特征金字塔与可学习权重分配机制，提升多尺度特征的融合效率。实验结果表明，改进后的模型在保持轻量化优势的前提下，mAP@0.5提升4.2%，小目标检测精度提升6.8%，且推理速度仍维持在28FPS以上，满足Web端实时检测需求。
关键词：YOLOv8n；坐标注意力；BiFPN；实时检测；车辆行人检测
第一章 引言
1.1 研究背景与意义
近年来，基于深度学习的视觉目标检测技术已广泛应用于自动驾驶、智慧城市、视频监控等领域。其中，YOLO系列模型凭借其端到端的检测架构与优秀的实时性能，成为工业界部署的首选。特别是YOLOv8的发布，在精度与速度之间取得了更好的平衡，其轻量