深度学习图像增强扩充算法的道路障碍物检测

实验

1. 实验环境及步骤

实验环境配置

硬件配置	软件配置
显卡：NVIDIA RTX A6000	系统：Ubuntu 18.04(64位)
硬盘：SSD NVMe 86GB	Python版本：3.8.0
内存：48GB RAM	框架：Pytorch 1.10+cudnn8.0.5
处理器：Intel Xeon Platinum 8260C CPU	CUDA：CUDA11.3

实验步骤

1. 数据集增强
   对收集的数据进行增强处理以提高模型泛化能力。
2. 评价指标确定
   通过定义评价指标分析实验数据。
3. 模型训练及参数设置
   • 设置训练参数
   • 将数据集输入模型进行训练
   • 选择最优模型权重，通过检测脚本对道路障碍物图片进行分类预测

模型结构

• YOLOv8 模型结构
  
  改进的YOLO11结构图
  

2. 数据集采集

• 数据来源：通过 Roboflow 下载
• 数据集规模：8000+ 张图像，包含 8 类目标
• 数据示例
  

类别分布

类别	数量
类别1	1000
类别2	1200
…	…

---

3. 数据集预处理

采用 Mosaic 数据增强 技术，将四张图像拼接为新图像以提升模型鲁棒性。

---

4. 评价指标

4.1 计算公式

• 精确率（Precision）
  $$P=\frac{TP}{TP+FP}$$
• 召回率（Recall）
  $$R=\frac{TP}{TP+FN}$$
• 平均精度（AP）
  $$AP={\int }_0^{1}P(R)dR$$
• 均值平均精度（mAP）
  $$mAP=\frac{1}{N}\sum _{i=1}^{N}A{P}_i$$

4.2 评价标准

• IoU 阈值设为 0.5（即 AP@0.5）
• mAP@0.5 反映模型整体性能

---

5. 结果对比

5.1 算法性能对比

算法	输入尺寸	模型大小（M）	mAP@0.5	训练速度（s/张）	FPS
YOLOv8	640×640	5.36	83.4	0.098	56
YOLO11	640×640	5.96	82.6	0.110	52
改进的YOLO11	640×640	5.21	83.7	0.119	58

结论：改进的YOLO11在模型大小（5.21M）、mAP（83.7%）和FPS（58）上均表现最优。

5.2 训练曲线对比

• YOLOv8 训练曲线
  )

• YOLO11 训练曲线
  

• 改进的YOLO11 训练曲线
  

---

6. 障碍物识别检测系统

检测效果对比

• YOLOv8 检测结果

• YOLO11 检测结果
  

• 改进的YOLO11 检测结果

结论：改进模型对障碍物的置信度显著提高，验证了 Efficient 注意力机制和 CARAFE 算子的有效性。