Lors de la détection des véhicules dans des conditions météorologiques complexes, en raison du flou et de l'occlusion des cibles, la précision de détection des véhicules diminue sensiblement. Une algorithme amélioré de détection de véhicules YOLO-CGT basé sur YOLOv8 est proposé. Cet algorithme s'adresse à des images issues de caméras embarquées et, grâce à plusieurs améliorations dans la structure de YOLOv8, améliore significativement la stabilité de la détection en environnement complexe. Un module d'agrégation résiduelle multi-échelle a été conçu pour remplacer la structure C2f de l'architecture backbone originale, renforçant l'utilisation des informations brutes et réduisant le problème de disparition des gradients causé par la profondeur du réseau ; un module d'agrégation spatiale a été introduit, fusionnant l'extraction d'informations globales et la perception locale ; une tête de détection dynamique et légère a été conçue afin de garantir un équilibre entre précision et efficacité ; une métrique Inner-Minimum Points Distance Intersection over Union (Inner-MPDIoU) a été introduite pour remplacer l'IoU traditionnelle, afin de réduire le problème du chevauchement des boîtes cibles. Après entraînement et validation sur un ensemble de données véhicules en conditions météorologiques complexes, les résultats expérimentaux montrent que la précision moyenne de détection atteint 81,4%, soit une amélioration de 6,3%, avec un nombre de paramètres de modèle de 3,259×10^6, un coût en calcul de 9,7 GFLOPs, garantissant un déploiement léger du modèle tout en améliorant significativement la précision. Cette méthode offre une garantie solide pour un fonctionnement sûr et stable des systèmes de conduite autonome.

conduite autonome; détection de véhicules; YOLOv8; météo complexe; caractéristiques multi-échelles