基于YOLOv6的交通标志识别.pdf

哈尔滨理工大学电子信息硕士学位论文

基于YOLOv6的交通标志识别

摘要

新世纪以来，我国经济飞速提升，国民消费能力逐年增加，出行方式也从

步行骑行演变成了驾车出行，我国车辆基数现已经十分庞大，随着时间的推

移，交通事故发生的频率不断增加。因此，交通标志检测成为一项至关重要的

技术。通过准确地从图像或视频中识别交通标志的位置和类别，我们能够及时

向驾驶员提供相关的信息，从而起到预警和保护驾驶者安全的作用。不难看出

交通标志的实时检测能够在一定程度上改善交通问题，拥有潜在的研究价值。

以便为驾驶员提供及时和准确的信息，在对道路情况进行预警、保护驾驶者安

全等方面具有现实意义。此外，为了应对实际道路环境的复杂性，需要进行模

型优化。例如，采用多尺度检测技术，以适应不同尺寸的交通标志；同时，结

合先验知识和场景上下文信息，提高交通标志检测和识别的准确性。因此本文

对深度学习的交通标志识别算法在智能交通领域具有广泛的应用前景。

现存的一些经典模型在对交通标志进行识别时，识别度不够精准同时实时

性也较差，而本文会提出一种对经典模型YOLOv6进行改动后的新模型来对这

一系列问题进行改善，以提高模型的整体综合信息识别能力为出发点，引入

Transformer结构来构建远距离依赖关系，从而获取更加全面的实时标志信息，

其拥有更加丰富的感受野，将交通标志关系物体的特征和交通标志的特征进行

CIoUNMSCompleteIntersectionOverUnionNonMax

关联。此外使用（

Suppression）操作优化YOLOv6模型的后处理结构，提高检测框的准确率、精

确率和召回率，从而提高YOLOv6模型在交通标志识别中的精度。

对当前的目标进行检测时，参数数目庞大同时算法用时过长，本研究在基

于YOLOv6框架的交通标志识别中引入ODConv和MobileOne两项关键技

术。首先通过ODConv模块高效的卷积操作，使得模型在降低复杂度的同时获

得更优异的精度。随后引入MobileOne模块提升模型的轻量化性能，使参数量

和计算复杂度降低到可接受的范围内，同时保持良好的准确性。最终使本文改

进的YOLOv6模型能够在嵌入式系统和移动设备等资源受限环境下高效运行。

关键词交通标志识别；目标检测；深度学习；轻量化

--I

哈尔滨理工大学电子信息硕士学位论文

TrafficSignRecognitionBasedonYOLOv6

Abstract

Sincethebeginningofthenewcentury,Chinaseconomyhasexperiencedrapid

growth,leadingtoanincreaseinthedisposableincomeofitscitizens.Asaresult,the

meansoftransportationhaveshiftedfromwalkingandcyclingtodriving.Withthe

growingnumberofvehiclesinChina,thefrequencyoftrafficaccidentshasbeen

increasingovertime.Therefore,trafficsigndetectionhasbecomeacritically

importanttechnology.Byaccuratelyidentifyingthelocationandcategoryoftraffic

signsfromimagesorvideos,wecanprovidetimelyinformationtodrivers,servingas

awarningandprotectingtheirsafety.Itisevidentthatreal-timedetectionoftraffic