La surveillance efficace des poissons sous-marins est fondamentale pour la protection des écosystèmes marins, l'évaluation de la biodiversité et la gestion durable des ressources halieutiques. Pour contrer la diminution de la robustesse et de l'efficacité de la détection due aux facteurs complexes de l'environnement sous-marin, cet article propose un modèle d'amélioration dynamique des caractéristiques appelé FDN-YOLO (Fish Detection Network YOLO) basé sur le cadre YOLOv8n. Tout d'abord, un module MDRF (champ réceptif déformable multi-échelle) est construit pour ajuster de manière adaptative le champ réceptif effectif, permettant au réseau principal de mieux représenter les cibles de poissons de différentes formes et tailles; ensuite, un module de sous-échantillonnage Lite SPD-DS (Lite Space-to-Depth Depthwise Separable) est conçu pour préserver efficacement les indices spatiaux fins tout en maîtrisant la charge de calcul; enfin, une fonction de perte AIVF Loss (Perte Varifocal adaptative IoU-aware) est proposée pour renforcer l'apprentissage des échantillons à localisation de haute qualité et atténuer le biais d'entraînement dû à une distribution déséquilibrée des classes et des échantillons. Les résultats expérimentaux basés sur le jeu de données TF-DET montrent que les mAP50 et mAP50∶95 de FDN-YOLO augmentent respectivement de 2,8% et 2,1%, tandis que le nombre de paramètres et la charge de calcul diminuent respectivement de 13,3% et 16,0%. Des expériences de généralisation comparatives montrent par ailleurs que FDN-YOLO offre un excellent équilibre entre précision, efficacité et robustesse, démontrant son potentiel d'application dans les enquêtes écologiques et la gestion des ressources marines basée sur les données.

détection sous-marine;amélioration dynamique;apprentissage profond;réseaux neuronaux convolutifs;YOLOv8n