本研究针对复杂交通场景下的目标检测问题，对YOLOv5s模型进行优化和改进，旨在提升路侧设备在各种环境中的识别精度与效率。
为了应对传统路侧目标检测模型在行人、非机动车及部分遮挡车辆等小目标识别精度低以及模型体积过大的问题，本段落提出了一种基于改进YOLOv5s的新型算法。首先，用EIoU Loss替代原始CIoU Loss作为边界框回归损失函数，在加快收敛速度的同时提高了预测准确性；其次，采用轻量级通用上采样算子CARAFE替换最近邻插值模块以减少特征信息丢失；然后增加了一个更小尺度的目标检测分支，并引入高效解耦预测头来进一步提升对小目标的识别能力。最后通过通道剪枝降低模型体积，使算法更适合资源受限环境下的路侧目标检测任务。
实验结果显示，在DAIR-V2X-I数据集上，改进后的YOLOv5s相比原始版本在模型大小减少5.7MB的前提下，mAP50和mAP50:95分别提升了2.5%和3.8%，达到90.3%和67.7%。同时检测速度显著提高至89FPS。
该研究为复杂交通场景下的路侧目标检测提供了新的解决方案，在优化YOLOv5s的基础上实现了更高效、准确的目标识别，尤其在资源有限条件下表现出色。这对于自动驾驶及智能交通系统等领域具有重要意义，有助于提升道路安全和效率。
5星
