基于 YOLOv11s 交通标志的检测

胡 　斌
芜湖学院电子信息学院

摘要

针对交通标志实时检测任务中精度与模型轻量化的权衡问题，本文基于 YOLOv11s 模型提出优化方案。实验数据
表明，该模型在精度与轻量化层面实现显著突破：相较于 YOLOv11n，mAP50 提升 8.6%；相比 YOLOv11m，模型参数量
减少 53.2%，计算复杂度降低 68.4%，同时仅牺牲 3.6% 的 mAP50:95 指标。在跨模型对比中，YOLOv11s 以 86.4% 的 mAP50
超越 YOLOv7 和 CGS-Chost-YOLO，同时以 18.3MB 模型体积和 21.4 GFLOPs 的计算量保持轻量化优势。尽管 YOLOv8s
在 mAP50:95 指标上略高，但 YOLOv11s 在参数量和模型体积上更具优势。通过改进特征金字塔结构与动态卷积机制，本
方法在交通标志目标检测中实现 75.7% 的召回率，较基准模型提升 5.7%。实验证明，该方案在精度损失可控的前提下，成
功将计算资源需求降低至主流模型的 31.7%-20.7%，为车载嵌入式设备部署提供了精度达 86.4% mAP50 轻量化解决方案，
在交通标志检测中具有重要实践价值。

关键词

YOLOv11s；交通标志检测；自动驾驶；TT100K

参考

[1] 胡聪 , 何晓晖 , 邵发明 , 等 . 基于极大极稳定区域及

SVM 的交通标志检测 [J]. 计算机科学 ,2022,49(S1):325-330.

[2] 梁敏健 , 崔啸宇 , 宋青松 , 等 . 基于 HOG-Gabor 特征

融合与 Softmax 分类器的交通标志识别方法 [J]. 交通运输工

程学

[3] 李 杰 , 高 尚 兵 , 胡 序 洋 , 等 . 基 于 DL-SSD 模

型 的 交 通 标 志 检 测 算 法 [J]. 扬 州 大 学 学 报 ( 自 然 科 学

版 ),2022,25(05):47-53.

[4] 韦强 , 胡晓阳 , 赵虹鑫 . 改进 YOLOv5 的交通标志检

测方法 [J]. 计算机工程与应用 ,2023,59(13):229-237.

[5] 赵宏 , 冯宇博 . 基于 CGS-Ghost YOLO 的交通标志检

测研究 [J]. 计算机工程 ,2023,49(12):194-204.