白云　罗钰

摘  要：针对城市道路的交通标志在真实路况中存在光照不均、遮挡等因素导致的在目标检测任务中出现参数量过多、检测速度慢等问题，文章基于原有YOLOv5s的网络框架提出一种改进后的目标检测网络Shuffle-Block，首先选用开源的CCTSDB数据集进行实验，引入Shuffle-Block模块替换YOLOv5s原始的CSPDarknet主干网络，使得YOLOv5s的网络模型轻量化，降低模型的复杂程度。

关键词：YOLOv5s；交通标志；深度学习；目标检测

中图分类号：TP183；TP391.41 文献标识码：A 文章编号：2096-4706（2023）12-0006-04

Traffic Sign Detection Algorithm Based on Improved YOLOv5s

BAI Yun， LUO Yu

（School of Aviation， Inner Mongolia University of Technology， Hohhot  010051， China）

Abstract： In response to the problems of excessive parameter count and slow detection speed in object detection tasks caused by uneven lighting and occlusion of traffic signs on urban roads in real road conditions， this paper proposes an improved object detection network Shuffle-Block based on the original YOLOv5s network framework. Firstly， the open-source CCTSDB dataset is selected for experiment， and the Shuffle-Block module is introduced to replace the original CSPDarknet backbone network of YOLOv5s， make YOLOv5s network model lightweight and reduce the complexity of the model.

Keywords： YOLOv5s; traffic sign; deep learning; object detection

0  引  言

近年来，我国城乡公路建设发展迅速，机动车保有量大幅增长。但是人们对交通的道路安全意识淡薄，且真实路况中交通标志被遮挡、光照不均等外界因素，造成交通事故频频发生，交通安全成为当今社会的一个重要问题。交通标志检测作为智能交通系統中的重要组成部分，主要应用在自动驾驶辅助系统[1]（Automatic Driving Assistance System， ADAS）、因素非常多，如光照条件、部分遮挡等，因此交通标志检测是一项具有挑战的研究方向。

目前，由于深度学习的不断发展，目标检测技术[2]也在不断更新。Han等人[3]提出一种删除低于阈值的连接的剪枝策略，使得网络的连接稀疏，从而降低网络的复杂度。Li等[4]对每层卷积中低于阈值的通道进行裁剪操作，达到压缩模型的目的。邱天衡等[5]提出交通控制、自主驾驶等领域。随着深度学习的兴起，目标检测任务得到了极大的发展，其任务是在图像或视频中显示出交通标志的类别和位置，但影响检测的因出了一种改进特征融合结构的YOLOv5算法模型，并且降低了网络的参数量和计算量，在提升模型检测精度的同时保持了模型的轻量化。……