Face aux problèmes de taille importante, d'efficacité réduite et de difficulté de déploiement du modèle de détection de cibles maritimes sur les canaux infrarouges multicouleurs, cet article propose un modèle léger de détection de cibles marines sur les canaux infrarouges multicouleurs YOLOv8n-MFLW. Tout d'abord, le réseau principal a été remplacé par un réseau léger HGNetv2 ; la reconstruction du bloc HGBlock et du module C2f a été réalisée sur la base de l'extraction répétée par convolution de données globales, réduisant ainsi le nombre de paramètres du modèle tout en conservant la capacité d'extraction et de fusion de caractéristiques du modèle. Deuxièmement, un algorithme de taille structurée et éparse La-Depgraph a été introduit pour comprimer davantage les paramètres du modèle ; enfin, une stratégie d'apprentissage par distillation des connaissances a été utilisée pour restaurer les pertes de précision causées par la compression et améliorer les performances de détection du modèle. Les résultats expérimentaux montrent que, pour le modèle amélioré de détection de cibles marines légères sur les canaux infrarouges multicouleurs YOLOv8n-MFLW, la précision de la détection peut atteindre 96,4 %, soit une augmentation de 1,2 %, et que le nombre de paramètres du modèle, les calculs et l'utilisation de la mémoire sont seulement de 0,9 Mo, 3,5 GFlops et 2,3 Mo respectivement, une réduction de 88,1 %, 81,2 % et 82,8 %. Ainsi, le modèle que nous proposons est de taille réduite, précis et a de meilleures performances de détection des cibles. Il est capable de traiter les tâches de détection des cibles maritimes dans des environnements complexes.

Cibles marines dans les canaux infrarouges; détection de cibles multicouleurs; détection légère; élagage de modèles; compression des connaissances