Pour résoudre le problème du grand nombre de paramètres du modèle de détection des déchets en environnement complexe ainsi que les problèmes de fausses détections et de détections manquées, cet article propose un modèle léger de détection des déchets basé sur un YOLOv8n amélioré. Tout d'abord, une architecture réseau légère MobileNet V3_ECA est proposée comme réseau principal de YOLOv8n, améliorant la capacité du modèle à représenter les zones caractéristiques des déchets tout en réduisant le nombre de paramètres du modèle ; ensuite, un mécanisme d'attention ancrée contextuelle est introduit dans le réseau principal pour renforcer la capacité d'extraction des caractéristiques des déchets ; puis, dans le réseau de cou, la convolution standard est remplacée par une convolution dynamique complète, affinant les cartes de caractéristiques locales et réalisant la fusion des caractéristiques locales fines des déchets ; enfin, une fonction de perte de bordure WIoU v3 est utilisée pour améliorer la performance de régression de la boîte englobante. Des expérimentations de validation du modèle ont été menées sur un ensemble de données de déchets à fond complexe construit par soi-même. Par rapport au YOLOv8n original, le modèle amélioré a augmenté le mAP@0.5 de 1,1%, la vitesse de détection FPS de 11,7%, tout en réduisant les paramètres Params, la taille du modèle Size et les FLOPs respectivement de 70,8%, 66,1% et 70,7%. Les résultats expérimentaux montrent que le modèle amélioré peut efficacement améliorer la précision de détection tout en réduisant significativement la complexité du modèle, ce qui a une importance d'ingénierie majeure pour le déploiement et l'application des modèles sur des équipements de détection en périphérie.

détection des déchets; léger; MobileNet V3_ECA; YOLOv8n; apprentissage profond