摘要

本文针对分心驾驶行为检测的高精度需求，提出了一种基于改进YOLOv8的目标检测方法。该方法通过集成BoTNet模块、GAM注意力机制和EIoU损失函数，优化了特征提取和多尺度特征融合策略，显著提高了检测的准确性和效率。实验结果表明，改进后的模型在检测速度和准确性上表现优异，准确率达到99.4%，模型体积更小，易于部署，能够实时识别和分类分心驾驶行为，及时发出警告，增强驾驶安全。

原理

本文提出的改进YOLOv8模型通过以下几个关键技术提升了检测性能：

1. BoTNet模块：结合Transformer和卷积神经网络(CNN)，在ResNet的瓶颈模块中引入多头自注意力机制(MHSA)，替代3×3卷积层，增强了图像特征提取和分类性能。
2. GAM注意力机制：通过全局注意力模块(GAM)动态调整特征权重，优化神经网络的注意力，利用顺序的通道-空间注意力机制和重设计的子模块，有效利用全局信息，提升复杂任务的处理和泛化能力。
3. EIoU损失函数：在考虑边界框重叠区域的基础上，引入边界框中心点距离和宽度高度的相对差异，即使在边界框不重叠的情况下，也能提供有效梯度，促进模型训练和收敛。

流程

1. 数据准备：使用Kaggle提供的SFD数据集，包含10种不同的驾驶行为图像，通过Python处理和图像增强，统一为480×640分辨率，并进行标注和分割为训练、验证和测试集。
2. 模型训练：将处理后的数据输入改进的YOLOv8模型，该模型集成了BoTNet模块、GAM注意力机制和EIoU损失函数，通过优化特征提取和多尺度特征融合策略，简化训练和推理过程。
3. 模型评估：使用准确率、召回率、F1分数和mAP等指标评估模型性能，通过与其他目标检测算法的对比实验，验证改进模型的优势。

应用

改进的YOLOv8模型在分心驾驶行为检测领域具有广泛的应用前景，能够实时监控驾驶员状态，及时发出警告，减少因分心驾驶导致的交通事故。此外，该模型的高效性和准确性也适用于其他需要实时目标检测的场景，如智能监控、自动驾驶等。