面向路側視角目標檢測的輕量級YOLOv7-R算法*

張小俊，奚敬哲，，史延雷，袁安錄

（1.河北工業大學機械工程學院，天津 300401；2.中國汽車技術研究中心汽車工程研究院，天津 300300）

前言

得益于新一代互聯網的飛速發展，自動駕駛技術已經成為汽車產業未來發展的主要組成部分，但當前該領域研究通常聚焦于單車視角提升檢測精度與效率，而對匹配路側視角圖像信息特點的目標檢測模型的研究相對較少，且忽略了道路與車輛的協同性。而路側感知系統可用“上帝視角”的大范圍感知能力來彌補單車系統的感知盲區，降低事故概率，提高道路交通效率。視覺傳感器又因其成本較雷達傳感器低廉，且能夠準確表達目標紋理特征的特點，在感知任務中扮演重要角色。因此在車輛網聯領域中，如何將各類交通參與者的檢測任務完成于路側單元（road side unit，RSU）較低算力的邊緣計算平臺已成為自動駕駛技術賦能的必要條件。

目前在目標檢測算法方面，傳統方法因實現手段復雜、計算過程低效等原因已較少采用。在深度學習中，目標檢測算法分為R-CNN［1］系列雙階段算法和YOLO［2］、SSD［3］系列單階段算法。雙階段算法先定位再識別，所以精度上優于單階段，但參數量和實時性較差，不能滿足RSU 低計算資源及高實時性的需求。與R-CNN 算法相比，SSD 算法有更快的推理速度，但其檢測精度存在一定的局限性，而YOLO系列算法相對其他算法在檢測速度上有很大提升，同時兼顧了準確度，適合作為路側感知場景中的檢測方法。

與其他檢測算法相比，YOLO 系列算法會一直利用深度學習最新成果來不斷地進行優化更新。Wu 等［4］在YOLOv5s 的基礎上，提出了YOLOv5-Ghost，調整了原有的網絡結構，網絡參數大大減少，推理速度有所提高，但檢測精度下降3%。Liu 等［5］通過引入通道注意力模塊和集成DIOU 損失函數，提高了對自動駕駛系統中小目標的檢測性能。Zhou等［6］在YOLOv5 的Backbone 中用混合使用深度卷積，同時利用Focal Loss函數提升算法的檢測精度。

雖然將上述算法移植到路側視角下目標檢測的過程中針對車輛等交通目標的特點已經做了一定的優化，但是檢測能力仍舊存在不足。吉林大學的張舜然［7］將MobilNetv3 結構融入到YOLOv4 網絡，并加入注意力優化與卷積計算優化，使檢測精度達到90%，但模型參數量沒有下降很多，也沒有考慮交通環境中目標與目標之間的遮擋問題，若被遮擋目標的特征提取不充分就會導致算法在檢測時出現遺漏；山東大學的皮任東［8］采用了路側激光雷達與YOLOv5 結合的方法，算法mAP 值提高了4.48%，但也存在參數量龐大的問題。還有很多路側感知算法雖然降低了網絡參數量，適合部署在移動端，但忽略了同類目標在路側視角下因其遠近關系所呈現出多種尺度大小的問題，使模型學習困難，導致精度下降。

本文將ELAN 高效網絡融入到EfficientNetv2-s［9］結構中，構成新的EfficientNetv2-e 輕量化檢測網絡，更換掉YOLOv7［10］算法的Backbone；在預處理階段適當地刪除輸入圖像中的部分信息，來增強對被遮擋目標的學習能力；根據路測感知信息有著背景信息不變的特點，將SE（squeeze-and-excitation）［11］通道注意力機制更換為CA（coordinate attention）［12］坐標注意力機制，解決被測目標的多尺度問題；再引入Focal-EIoU Loss［13］損失函數，增加算法收斂速率，由此提出一種輕量級YOLOv7-R 算法。實驗表明，本文算法的綜合性能相較于對比算法更優。

1 YOLOv7-R算法

1.1 YOLOv7算法

為了保證RSU 系統檢測的實時性，本文預選擇YOLO 系列算法為模型基礎。YOLO 系列算法，以其結構精簡、性能高效、容易部署等優點，被廣泛應用于工業開發，其中YOLOv7 是目前YOLO 系列較為先進的算法，十分適用于路側視角下的交通目標檢測。

YOLOv7 采用擴展高效網絡架構（E-ELAN）［14］、基于級聯模型［15］、重參數化卷積［16］等策略，兼顧了檢測精度與檢測速度。如圖1所示，YOLOv7的網絡結構包括3 部分：Input、Backbone 和Head。Input 端同傳統YOLO 一樣，采用了自適應錨框設計，解決了不同數據集之間相同目標大小不同的問題，為被檢測圖像提供了合適的預選框。Backbone 部分由幾組Conv卷積層、ELAN 架構和MPConv 組成。Conv模塊由卷積、批量歸一化、SiLU 激活函數［17］組成，用來提取圖像特征；ELAN 網絡架構有兩條分支，第一條分支是通過一個1×1的卷積使通道數變化，第二條分支先通過一個1×1 的卷積，改變通道數，再通過4 個3×3 的卷積，做特征提取，最后把得到的特征堆疊到一起得到最終的特征提取結果；MPConv 在Conv 層的基礎上增添了最大池化層，構成兩個分支，最大池化可以增大感受野，減少輸入特征的數據量，Conv 用作特征提取，再通過Concat 操作將兩個分支提取到的特征進行堆疊，增強網絡的學習能力。還使用了SPP模塊，其作用是通過MaxPool增大感受野，使算法適應不同的分辨率圖像，便于識別區分大小不同的目標；CSP 模塊將輸入分為兩部分，一個部分采用標準卷積，另外一個部分采用SPP 處理，最后把這兩個部分Concat 在一起，可以減少一半的計算量，且速度變得更快，精度變得更高。Head 部分由路徑聚合特征金字塔網絡（PAFPN）構成，通過創造由底向上的路徑來讓底層特征更容易傳遞到輸出層，以便不同尺度特征的高效融合，再通過RepVGG Block（Rep）結構調整PAFPN 輸出特征圖的通道數，最后經過1×1 卷積進行置信度、類別和錨框的預測。

圖1 YOLOv7網絡結構

1.2 主干網絡改進

盡管YOLOv7 性能優異，在自動駕駛任務中表現優秀，但是從模型大小上，其在資源較少的移動端上部署并沒有那么順利，YOLOv7 模型參數計算量如式（1）所示：

式中：Cin、Cout為輸入、輸出通道數；d表示卷積的深度；k表示卷積核大小。從式（1）中可以看出，當模型的通道數C擴大n倍時，模型參數量J將擴大n2倍；若將模型的深度d擴大n倍時，參數量J也擴大n倍。

YOLOv7 主干網絡的通道數C設置較大，由式（1）可得，其模型復雜度較高。為了使模型復雜度降低，使算法更適合完成RSU 的檢測任務，受到文獻［9］啟發，本文使用EfficientNetv2-e 主干網絡替換YOLOv7 的Backbone。EfficientNetv2-s 是一種 輕量級網絡，采用漸進式學習策略，通過縮減網絡通道數C，擴增深度d的方式，實現了網絡復雜度和特征提取精準度的折中。EfficientNetv2-s 中多使用深度可分離卷積（depthwise separable convolution，DSC），運算過程如圖2所示。

圖2 深度可分離卷積結構

深度可分離卷積是逐層卷積和逐點卷積的結合，深度卷積首先對每個輸入通道分別執行逐層卷積，然后通過點卷積（1×1 卷積）將輸出通道混合。即在一個標準的卷積中將輸入同時進行濾波和組合操作，但DSC將這個操作進行拆分，第一步將輸入進行濾波操作，第二步再將其進行組合操作。這種將標準卷積進行分解的操作方法可以有效地減少運算代價和網絡模型的尺寸。相較于普通卷積，DSC 的參數更少，參數量下降比為

參數量下降必然導致模型的學習性能受損，為彌補模型的這一缺點，將YOLOv7 主干網絡中的ELAN 高效網絡架構融入到EfficientNetv2-s（圖3（a））主干網絡中，稱為EfficientNetv2-e 架構。ELAN在不破壞原有梯度的情況下，通過控制最短和最長的梯度路徑，網絡能夠學習到更多樣、更準確的特征信息，具有更強的魯棒性。改進后YOLOv7-R 的主干網絡如圖3（b）所示。

圖3 主干網絡改進

1.3 注意力機制優化

注意力機制是一種仿生物視覺機制。將人眼以“高分辨率”關注某個特定區域的習慣用在深度學習之中，讓模型去學習圖像中哪里是更重要的特征信息。一般來說，將該機制用于輕量網絡上時，通道注意力會比較明顯地改善網絡的性能，這是因為通道注意力使輕量網絡更關注圖像中重要的語義信息，而丟棄部分不重要的信息，由此削弱噪聲對輸入圖像特征提取的不良影響，增加模型的檢測精度。

同樣，EfficientNetv2 使用SE 通道注意力機制來增強模型性能，然而，它只考慮了建模輸入數據的通道關系，從每個通道的角度提取感興趣的區域，忽略了位置信息，不能精確地定位對象。這就可能會產生因相同目標呈現多尺度而導致模型漏檢的問題。因此本文采用CA 坐標注意力機制來替換SENet，CA注意力機制網絡結構如圖4 所示，其中XAvg Pool 和YAvg Pool 是沿著兩軸做平均池化提取寬高方向上的特征信息，并通過Concat操作來拼接得到的特征，接著做卷積來獲得長程依賴關系，再進行歸一化，得到每個維度的全局信息，然后沿著X軸和Y軸做split操作，再進行Conv和Re LU激活，最后將得到的信息重新加權，完成坐標注意力的施加。

不同于SE 注意力，CA 注意力機制把通道注意力分解成兩個方向進行特征編碼，其優點是沿一個方向獲得長程依賴，沿另一個方向保留精確的位置信息，形成具有方向感知和位置信息的特征圖，以提高在特征提取過程中更關注感興趣區域的能力，使得算法能夠關注大范圍的目標位置信息忽略無效重復的背景語義信息，又不會帶來計算量的增加，足夠靈活和輕量，有助于模型通過位置信息更好地定位和識別多尺度目標。引入CA 注意力機制后的EfficientNetv2-e網絡中MBConv和Fused-MBConv 的結構如圖5所示。

圖5 MBConv和Fused-MBConv結構

1.4 損失函數優化

深度學習中損失函數的選取很大程度影響訓練所得的算法性能。YOLOv7 的訓練方式分為帶auxiliary head 訓練與不帶auxiliary head 訓練兩種方式，帶auxiliary head 的訓練方式中，aux-head loss 和lead-head loss 兩者之間的比例不能過大，不過它們的損失函數相同，整體和YOLOv5 系列保持一致，分為3 部分：坐標損失、置信度損失和分類損失。后兩部分使用BCEWithLogits loss［18］，坐標損失則默認采用CIoU loss［19］。CIoU loss計算公式如下：

式中：A為預測框；B為真實框；IoU為A和B的交并比，即A與B交集部分與并集部分面積之比，IoU越大，說明預測框越接近真實框，但當預測框與真實框沒有重疊部分時，或兩者完全重合時，IoU不能給出優劣評價；b為預測框的中心點；bgt為真實框的中心點；ρ表示歐式距離計算；C為能夠包含預測框和真實框的最小閉包區域的對角線距離；參數a用于調節平衡比例；參數v用來描述預測框與真實框的寬高比的一致性，當中心點重合時，可通過v來衡量預測框和真實框的接近程度。

YOLOv7 的CIoU loss 考慮了重疊面積、中心點距離及寬高比，使得預測框的回歸更加穩定，但它還不夠完美。因為其公式中使用參數v寬高比比例來衡量與真實框的寬高接近程度，并不是寬和高的真實值，所以有時會阻礙模型的優化；而w和h其中一個值增大時，另一個值必然減小，它們不能保持同增同減，這也會導致損失函數收斂過慢以及回歸框定位的不精確。為了提高算法性能和檢測精度，本文采用Focal-EIoUloss 來替代CIoUloss，Focal-EIoUloss的計算公式如下：

式中LIoU、Ldis、Lasp分別表示重疊面積損失、中心點距離損失及寬高比損失，邊界框回歸的EIoU 損失如圖6所示。

圖6 邊界框回歸的EIOU損失

EIoU loss 相較于CIoU loss 所做出的改進是將損失函數拆分為重疊面積損失、中心點距離損失及寬高比損失3 部分，并且對CIoU loss 中的a和v進行了修改，Cw和Ch為可包含真實框、預測框的最小框的寬度和高度，EIoU loss 利用和直接計算包圍框寬高的真實值，這樣便解決了CIoU loss 使用寬高比比例所造成的阻礙優化問題，還能解決訓練過程中的發散問題。此外，考慮到預測框的回歸中存在訓練樣本不平衡的問題，即在輸入圖像中回歸誤差小的優質錨框的數量遠少于誤差大的低質量數量，質量較差的樣本會產生過大的梯度影響參數的優化，又借鑒了解決正負樣本不平衡的Focal loss［20］，將偏差大的地方設置更大的梯度優化，以便于關注對難樣本的檢測，降低質量差的樣本對算法性能的影響。通過整合EIoU 損失函數和Focal 損失函數，得到最終的Focal-EIoU loss 的表達式，如式（9）所示。當EIoU loss 很小時，Focal-EIoU Loss 也會很小，雖然這會抑制高質量樣本對模型訓練的影響，但數據表明，這種抑制效果對RSU 感知系統所需的背景不變數據集的影響是微弱的。

2 實驗設計

2.1 實驗配置和評價指標

實驗環境為Ubuntu20.04 操作系統，處理器型號為i7-10700K，顯卡是RTX3090，顯存為12 GB，采用的深度學習環境為pytorch1.11，編程語言為python3.8，安 裝CUDA11.3、CUDnn8.0.4 以 及OpenCV4.6.0.6等擴展包。本文算法與對比算法的實驗結論均在此實驗環境中得出。

YOLOv7 的訓練方式分為正常訓練及auxiliary head 訓練，auxiliary head 訓練生成兩組不同的軟標簽，即粗標簽和細標簽，細標簽與lead head引導標簽分配器生成的軟標簽相同，粗標簽則通過放寬更多的網格作為正樣本的約束而成，但在路側感知數據集中粗標簽的附加權重接近于細標簽的附加權重，就會導致在最終預測時產生不良的先驗，所以本文采用不帶auxiliary head 的訓練策略。為了準確評估YOLOv7-R 算法在路側感知圖像上的檢測性能，按照COCO 數據集的標準，實驗評價指標采用總體樣本平均精確度mAP，即算法對數據集中各類目標檢測精度的平均值，每個類別使用準確率（precision，P）和召回率（recall，R）作為x軸和y軸，可繪制一條曲線，該曲線與兩軸圍成圖形的面積則為AP值。APsmall表示像素面積小于32×32 目標的AP值，APmedium表示像素面積大于32×32 小于96×96 目標的AP值，用來專門評判算法對多尺度檢測中的小目標檢測精度。推理速度指標采用FPS，即網絡每秒傳輸幀數，單位是f/s（幀/秒）。具體公式如下，其中TP為真正例，FP為假正例，FN為假反例。

2.2 實驗數據

本文選擇的數據集為清華大學智能產業研究院（AIR）在2022 年2 月份發布的DAIR-V2X-I 中開源的7 058 張圖片。DAIR-V2X 是全球首個車路協同圖像數據集，開創了行業先河。數據來自北京市高級別自動駕駛示范區10 km 城市道路、10 km 高速公路及28 個路口，涵蓋晴天、雨天、霧天、白天、夜晚等豐富場景。DAIR-V2X-I 即為RSU 捕捉到的圖像數據集，由Car（乘用車）、Truck（貨車）、Van（面包車）、Bus（公交車）、Pedestrian（行人）、Cyclist（自行車）、Tricyclist（三輪車）、motorcyclist（摩托車）、Barrowlist（手推車）、TrafficCone（交通錐桶）這10 類組成，數據類別實例如圖7 所示。由于DAIR-V2X-I 中的三輪車的類別數量為0，并且手推車的類別數量僅為128，占比很小，所以真實類別可計為8 類。又因為這些數據中序號相近的圖片多為相鄰時刻的圖片，所以要隨機打亂再劃分數據集。但是數據集中各種目標的樣本數量差距較大，訓練效果差，必須要對樣本數量少的類別數據進行增強處理。

2.3 數據增強策略

因為數據類別的嚴重不平衡，數據增強策略不可或缺。YOLOv7 輸入端使用了Mosaic 數據增強，拼接4 張圖片訓練，主要作用是豐富背景。而由于DAIR-V2X-I 數據集具有背景信息不變性的特點，并不需要豐富背景，遂即舍棄Mosaic數據增強，進而轉為外部針對遮擋物體的GridMask［21］數據增強，參數設置分別為1/3、0.1、0.1、0.1，效果如圖8（b）所示。該方法對數據中的信息進行有序的刪除，以模擬對交通目標的部分遮擋，還不會造成擦除部分的不均勻。倘若模型對GridMask 處理后的圖片進行訓練，模型就能夠有效提高對被遮擋目標的檢測性能。

圖8 數據增強效果

對于數據量較少的種類，使用Multiplicative-Noise 隨機噪聲，在圖片中加入噪點，不改變太多背景信息的情況下進行數據增廣，增加圖片數量的同時，還可模仿雨雪天氣的路側情況；還使用Random-Gamma 隨機灰度系數變化，改變圖片的對比度，模仿夜間、傍晚時刻的路側情況，提高模型的泛化能力。最終將所得圖片以0.8∶0.1∶0.1 比例進行隨機打亂劃分，得到訓練集8 469 張圖片，驗證集和測試集各有1 059張圖片。

3 實驗及結果分析

在訓練參數的處理上，設置訓練epochs為300；訓練BatchSize為32；訓練動量Momentum為0.937；選擇學習率動態變化設置，lr0為0.01，weight_decay設置為0.000 5；優化函數采用Adam。圖9（a）為訓練所得YOLOv7 與YOLOv7-R 的mAP@0.5 函數曲線，圖9（b）為訓練得到的mAP@0.5：0.95函數曲線，縱坐標代表mAP值，橫坐標代表迭代次數。對比兩條曲線可知在訓練迭代超過20 次之后，YOLOv7-R算法的mAP曲線始終高于YOLOv7 算法，說明本文的YOLOv7-R有更好的檢測精度。

圖9 YOLOv7與YOLOv7-R的mAP值對比

3.1 損失函數收斂性驗證

在與上述同一實驗條件下，對YOLOv7 與本文算法的損失函數進行分析試驗。兩種Loss函數的曲線變化如圖10 所示。其中，兩條曲線分別為坐標損失使用CIoU Loss 與使用Focal-EIoU Loss 時的平均損失值的情況。

圖10 損失函數迭代對比

從圖10 可以看出，持續的訓練學習，Focal-EIoU Loss 和CIoU Loss 最終都到達收斂狀態。但是Focal-EIoU 方法的收斂速率和損失值相較于CIoU方法更優，穩定性也有所提升。所以，使用Focal-EIoU 作為YOLOv7-R 的損失函數，對檢測性能提升有著積極作用。

3.2 消融實驗

為清晰地了解本文所提出的改進措施對路側視角下目標檢測算法性能的影響，設計了一組消融實驗，在基線算法YOLOv7的基礎上添加和修改各個模塊，對比分析了：（1）原YOLOv7模型；（2）在YOLOv7基礎上更換EfficientNetv2-e 作為Backbone；（3）在（2）基礎上更改SE 注意力機制為CA 注意力機制；（4）在YOLOv7 基礎上將損失函數CIoU loss 改為Focal EIoU loss；（5）同時更換加入CA注意力機制的EfficientNetv2-e 和Focal EIoU loss 函數的本文算法。在相同的實驗條件下，在本文數據集上進行實驗，輸入數據大小為1920×1080。具體實驗結果見表1。

表1 消融實驗結果

由表1 可知，在除參數量之外的所有指標里，本文最終算法均為最優。將YOLOv7 模型的Backbone更換為EfficientNetv2-e可以使其減少53.7%的參數量，增加23.7%的檢測效率，但這也使得模型精度有所降低；CA 注意力機制及Focal-EIoU Loss 都提高了模型的檢測精度。對比模型（3）和本文算法可知，更換Focal-EIoU Loss 后的模型（3）的mAP@0.5：0.95 值提高了4.3%，所以可知Focal-EIoU Loss 非常有利于模型在該數據集上精度的提升，在進行算法優化時使用該方法是必要的。除此之外，由模型（2）和（3）可知，CA 坐標注意力機制對模型多尺度小目標的精度提升也是顯著的，APsmall與APmedium分別提高了2%和5.7%。最后可得本文算法與YOLOv7 算法在DAIR-V2X-I 數據集上相比，在參數量降低52.3%的同時mAP@0.5提高了3%，mAP@0.5：0.95提高了4.8%，且檢測速度增加了24.6%，驗證了YOLOv7-R 模型在路側單元感知數據集上的可行性，完全可作為車路協同產業中可以落地的模型基礎。

為了進一步驗證YOLOv7-R 面向被遮擋目標檢測任務的有效性，從DAIR-V2X-I 數據集中篩選部分有遮擋的圖像，進行目標檢測，圖11 可視化了有遮擋目標的圖像經過本文算法YOLOv7-R 與原YOLOv7 算法的目標檢測結果，原圖中使用虛線標記紅框中的目標為未被YOLOv7 檢測到的被遮擋目標。

圖11 遮擋目標的檢測效果實例

從圖11 中可以看出，本文模型對被遮擋的目標的敏感程度要優于YOLOv7算法，漏檢目標如第1個場景中公交車面前被遮擋的行人、第2 個場景中對向車道被遮擋的車輛以及第3 個場景中斑馬線上行駛的自行車目標。上述表明了本文模型在遮擋目標檢測中的巨大優勢。其原因在于輸入數據經過GridMask 增強后，模型對被遮擋目標的學習能力提高，最終實現檢測性能的提升。

3.3 對比實驗

為進一步表明本文算法的有效性，使用本文的YOLOv7-R 算法分別與 SSD、EfficientDet［21］、YOLOv4［23］、YOLOv5-m、YOLOv5-s、YOLOv7、YOLOX-s［24］及最新的SOTA 算法YOLOv8 在本文數據集上進行了對比實驗驗證，因為雙階段目標檢測算法的參數量和檢測效率都不符合路側感知系統的部署條件，所以本文沒有談及。對比實驗結果如表2所示。

由表2 可知，YOLOv5-s 因為其極簡的網絡結構，所以具有較小的參數量，雖然本文算法在參數量上的表現不及YOLOv5-s 與YOLOX-s，但檢測精度與檢測效率為本次實驗中的最優，比YOLOv5-s 的mAP@0.5高9%，比YOLOX-s的mAP@0.5高8.2%。實驗結果表明，YOLOv7-R 在兼顧精度與速度的條件下，優化了參數量與模型大小，具有更好的性價比，也體現了YOLOv7-R 在路側視角圖像檢測上的優勢。

表2 不同算法對比

3.4 本文算法檢測效果

為了更直觀地感受YOLOv7-R 算法的檢測性能，在天津市津塘公路的路口采集了一些路側視角圖像進行測試，檢測效果如圖12 所示。在a 組檢測圖片中，可以看到待檢測圖片為擁堵時段的路口，屬于復雜場景，YOLOv7-R 算法能夠將各交通目標準確地檢測出來。在b 組檢測圖片中，從原圖可以看到車輛正處于低光照條件下，屬于夜間場景，YOLOv7-R 也能準確地將待檢測目標測出。在第3組檢測圖片中，圖12（c）為YOLOv7 算法的檢測結果，圖12（d）為YOLOv7-R 的檢測結果，可以看到當應對存在遮擋目標的情況時，YOLOv7 算法漏檢了道路中央被車輛所擋住的行人，這就可能帶來安全隱患，而如圖12（d）所示本文算法則是精準地檢測出了他們。最后一組檢測圖片為目標多尺度的檢測效果圖，因相同目標的尺寸不一，導致YOLOv7 算法漏檢了遠處的小目標車輛，而圖12（f）中的本文算法將待測目標準確測出。上述檢測效果表明，本文算法能夠實現對路側視角下的道路交通目標的準確檢測，且在漏檢率、遮擋目標分辨率上的表現均優于基線算法，更適合部署在RSU設備當中。

圖12 檢測效果對比

4 結論

為了實現V2X（vehicle to everything）中RSU 感知系統的實時檢測應用，本文提出了一種基于YOLOv7 改進的目標檢測算法YOLOv7-R。針對在算力較低的RSU 上部署模型困難的問題，文中更換了YOLOv7的Backbone，引入了添加ELAN 高效網絡架構的EfficientNetv2-s 網絡，以簡化卷積來實現模型的輕量化；針對被側目標呈多尺度、可能導致模型漏檢問題，本文使用CA坐標注意力機制代替主干網絡中的SE 注意力機制，通過捕捉目標的方向信息與位置信息，降低模型的漏檢率；針對模型輕量化所帶來的精度損失，修改原有的損失函數為更精確的Focal-EIoU loss，減小低質量樣本對算法性能的影響，提升模型的檢測精度；針對數據集中的被測目標重疊問題，采用GridMask 數據增強策略，進一步提升模型的檢測性能。實驗結果表明，在有效地提升檢測速度及精度的前提下，還減小了模型的大小，以更小的參數量實現了對于目標數據集更高精度的檢測。

雖然本文算法能夠實現對RSU 檢測場景中的部分交通目標較為準確的識別，但還有進一步提升的空間。DAIR-V2X-I數據集只有8類交通目標，而實際中的交通參與者類別會更多，后續研究將不斷擴充數據集中的類別，以提高算法的泛化能力。