摘要
交通标志识别致力于保障自动驾驶的安全性。受YOLOv5的启发，本文提出一种新模型，旨在解决现有算法在交通标志识别中准确率与效率之间平衡性较差的问题。首先，引入轻量级网络MobileNetV3进行特征提取，有效减少了模型参数量；其次，引入注意力机制模块以增强通道特征，弥补因模型简化导致的准确率下降问题。实验结果表明，本模型在中文交通标志数据集上的mAP值达到93.6%，接近YOLOv5的性能水平，而参数量不足YOLOv5的四分之一，显著提升了模型的效率与实用性。
交通标志识别致力于保障自动驾驶的安全性。受YOLOv5的启发，本文提出一种新模型，旨在解决现有算法在交通标志识别中准确率与效率之间平衡性较差的问题。首先，引入轻量级网络MobileNetV3进行特征提取，有效减少了模型参数量；其次，引入注意力机制模块以增强通道特征，弥补因模型简化导致的准确率下降问题。实验结果表明，本模型在中文交通标志数据集上的mAP值达到93.6%，接近YOLOv5的性能水平，而参数量不足YOLOv5的四分之一，显著提升了模型的效率与实用性。