改进YOLOv7的交通标志检测算法

doi:10.3969/j.issn.1006-2475.2025.02.013

摘要/Abstract

摘要： 针对自动驾驶中小目标交通标志像素占比小导致的错检、漏检等问题，本文提出一种基于改进YOLOv7的交通标志检测算法。首先，引入小目标检测层，删除大目标检测层，以更好地适应小目标的检测需求；其次，在主干网络中引入EMA注意力机制，提高模型对多尺度目标的特征提取能力；再次，构建ELAN-RPC模块替换原ELAN，降低网络计算量，提高网络推理速度；最后，在特征融合层引入RFE模块，更好地利用浅层特征图的细节信息，提高后续自上而下的特征融合能力。实验结果表明，改进后的YOLOv7在TT100K数据集上mAP达到89.6%，比原始算法提升了5.7个百分点，同时参数量降低了37%，达到了参数量更少、精度更高的检测效果。

关键词: 交通标志检测, YOLOv7, 注意力机制, 特征融合, 深度学习

Abstract: In view of the problems such as error detection and missing detection in the small pixel proportion of traffic signs， a traffic sign detection algorithm based on improved YOLOv7 is proposed. In YOLOv7， we introduce the small target detection layer and delete the large target detection layer to better meet the detection needs of small targets. In the backbone network， we introduce the EMA attention mechanism to improve the feature extraction capability of the model for multi-scale targets with reduced computational overhead. At the same time， ELAN-RPC module is constructed to replace the original ELAN， reduce the network calculation and improve the network reasoning speed. In addition， RFE module is introduced in the feature fusion layer to make better use of the details of the shallow feature map and improve the ability of subsequent top-down feature fusion. Experimental results show that the mAP of the improved YOLOv7 on TT100K dataset reaches 89.6%， which is 5.8 percentage points higher than that of the original algorithm， while the number of parameters is reduced by 37%， achieving the detection effect of fewer parameters and higher precision.

Key words: , traffic sign detection； YOLOv7； attention mechanism； feature fusion； deep learning

中图分类号:

赵印, 尹四清, 章永来. 改进YOLOv7的交通标志检测算法[J]. 计算机与现代化, 2025, 0(02): 94-99.

ZHAO Yin, YIN Siqing, ZHANG Yonglai. Improved Traffic Sign Detection Algorithm of YOLOv7[J]. Computer and Modernization, 2025, 0(02): 94-99.

参考文献

［1］薛搏，李威，宋海玉，等. 交通标志识别特征提取研究综述［J］. 图学学报， 2019，40（6）：1024-1031.
［2］ CHU J Q， ZHANG C， YAN M M， et al. TRD-YOLO： A real-time， high-performance small traffic sign detection algorithm［J］. Sensors，2023，23（8）. DOI： 10.3390/s23083871.
［3］ LI Y， LI J G， MENG P. Attention-YOLOV4： A real-time and high-accurate traffic sign detection algorithm［J］. Multimedia Tools and Applications， 2023，82（5）：7567-7582.
［4］ LIU P L， XIE Z Y， LI T J. UCN-YOLOv5： Traffic sign object detection algorithm based on deep learning［J］. IEEE Access， 2023，11：110039-110050.
［5］张明奎. 基于深度学习的交通标志检测算法研究［D］. 兰州：兰州交通大学， 2023.
［6］徐瑾. 基于进化优化卷积神经网络的图像识别方法研究［D］. 重庆：重庆邮电大学， 2020.
［7］ BHUVANESWARI AMMA N G， RAJPUT V. Towards improving the performance of traffic sign recognition using support vector machine based deep learning model［J］. Multimedia Tools and Applications， 2024，83（3）：6579-6600.
［8］杨广柱，龙泽链，李毅，等. 基于深度学习的交通标志识别技术研究进展［J］. 西部交通科技， 2023（12）：194-197.
［9］ ZHANG J M， ZHENG Z F， XIE X D， et al. ReYOLO： A traffic sign detector based on network reparameterization and features adaptive weighting［J］. Journal of Ambient Intelligence and Smart Environments， 2022，14（4）：317-334.
［10］杨飞帆，李军. 面向自动驾驶的YOLO目标检测算法研究综述［J］. 汽车工程师， 2023（11）：1-11.
［11］ LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single shot multibox detector［C］// Proceedings of the 2016 European Conference on Computer Vision （ECCV）. Springer， 2016：21-37.
［12］ GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2014：580-587.
［13］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems （NeurIPS）. ACM， 2015：91-99.
［14］吴苗志. 基于YOLOv4改进的交通标志检测与识别方法研究［D］. 漳州：闽南师范大学， 2024.
［15］ ZHAO S， YANG Y， WU X， et al. YOLOv7-TS： A traffic sign detection model based on sub-pixel convolution and feature fusion［J］. Sensors， 2024，24（3）. DOI： 10.3390/s24030989.
［16］ WANG Y J， BAI M Y， WANG M Z， et al. Multiscale traffic sign detection method in complex environment based on YOLOv4［J］. Computational Intelligence and Neuroscience， 2022， 2022. DOI： 10.1155/2022/5297605.
［17］ WANG C Y， BOCHKOVSKIY A， LIAO H Y M. Scaled- YOLOv4： Scaling cross stage partial network［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2021： 13024-13033.
［18］ BAI W， ZHAO J Y， DAI C X， et al. Two novel models for traffic sign detection based on YOLOv5s［J］. Axioms， 2023，12（2）. DOI： 10.3390/axioms12020160.
［19］ QIAN J Y ，WANG B .TSDet： A new method for traffic sign detection based on YOLOv5‐SwinT［J］. IET Image Processing， 2023，18（4）：875-885.
［20］ SUN X Q， LIU K K， CHEN L， et al. LLTH-YOLOv5： A real-time traffic sign detection algorithm for low-light scenes［J］. Automotive Innovation， 2024，7（1）：121-137.
［21］ SHE F F， HONG Z Y， ZENG Z Q， et al. Improved traffic sign detection model based on YOLOv7-Tiny［J］. IEEE Access， 2023，11：126555-126567.
［22］ WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2023：7464-7475.
［23］ DING X H， ZHANG X Y， MA N N， et al. RepVGG： Making VGG-style convnets great again［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2021：13728-13737.
［24］ KUPPUSAMY P， SANJAY M， DEEPASHREE P V， et al. Traffic sign recognition for autonomous vehicle using optimized YOLOv7 and convolutional block attention module［J］. Computers， Materials & Continua， 2023，77（1）：445-466.
［25］ WOO S， PARK J， LEE J Y， et al. CBAM： Convolutional block attention module［C］// Proceedings of the 2018 European Conference on Computer Vision （ECCV）. Springer， 2018：3-19.
［26］曲宸阳，程艳云. 基于改进YOLOv7的交通标志检测算法［J/OL］. 微电子学与计算机：1-11（2024-01-29）［2024-03-07］. http：//kns.cnki.net/kcms/detail/61.1123.TN.20240129.1031.002.html.
［27］ ZHANG Q L， YANG Y B. SA-Net： Shuffle attention for deep convolutional neural networks［C］// Proceedings of the 2021 International Conference on Acoustics， Speech and Signal Processing （ICASSP）. IEEE， 2021：2235-2239.
［28］ LI S J， WANG S L， WANG P. A small object detection algorithm for traffic signs based on improved YOLOv7［J］. Sensors， 2023，23（16）. DOI： 10.3390/s23167145.
［29］ LI C， ZHOU A J， YAO A B. Omni-dimensional dynamic convolution［J］. arXiv preprint arXiv：2209.07947， 2022.
［30］ HOU Q B， ZHOU D Q， FENG J S. Coordinate attention for efficient mobile network design［C］// Proceedings of 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2021：13708-13717.
［31］ OUYANG D L， HE S， ZHANG G Z， et al. Efficient multi-scale attention module with cross-spatial learning［C］// ICASSP 2023-2023 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. IEEE， 2023：1-5.
［32］ CHEN J R， KAO S， HE H， et al. Run， don’t walk： Chasing higher FLOPS for faster neural networks［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2023：12021-12031.
［33］ YU Z P，HUANG H B，CHEN W J，et al．YOLO-FaceV2： A scale and occlusion aware face detector［J］. arXiv preprint arXiv：2208.02019， 2022.
［34］ HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2018：7132-7141.
［35］ YANG L X， ZHANG R Y， XIE X H， et al. SimAM： A simple， parameter-free attention module for convolutional neural networks［C］// Proceedings of the 2021 International Conference on Machine Learning （ICML）. PMLR， 2021，139：11863-11874.

[1]	郭华. 面向下游任务优化的不平衡数据重采样[J]. 计算机与现代化, 2025, 0(02): 28-32.
[2]	刘重宜, 李华, 任德均, 柳尧凯, 王玉龙. 基于双向多尺度知识蒸馏的异常检测算法[J]. 计算机与现代化, 2025, 0(02): 58-63.
[3]	冯心洁, 王伟. 基于孪生特征融合网络的自然场景文本图像超分辨率方法[J]. 计算机与现代化, 2025, 0(02): 86-93.
[4]	封祖焱, 魏延, 陈家坤, 余昕. 基于门控融合的实时语义分割[J]. 计算机与现代化, 2025, 0(02): 121-126.
[5]	肖军弼, 傅天奇. 基于高维特征降维聚类的实时流量分类方法[J]. 计算机与现代化, 2025, 0(01): 80-85.
[6]	李希, 潘誉. 基于改进YOLOv8的探地雷达管线目标检测方法[J]. 计算机与现代化, 2025, 0(01): 94-99.
[7]	刘飞, 杨德刚, 章鑫, 秦静. 基于YOLOv8改进的水下目标检测算法[J]. 计算机与现代化, 2025, 0(01): 113-119.
[8]	何思达, 陈平华. 基于意图的轻量级自注意力序列推荐模型[J]. 计算机与现代化, 2024, 0(12): 1-9.
[9]	赵晨阳, 薛涛, 刘俊华. 基于改进Stable Diffusion的时尚服饰图案生成[J]. 计算机与现代化, 2024, 0(12): 15-23.
[10]	黄庭培1, 马禄彪1, 李世宝2, 刘建航1. 基于WiFi和原型网络的手势识别方法[J]. 计算机与现代化, 2024, 0(12): 34-39.
[11]	张思敏, 刘新妹, 殷俊龄, 李宝玲. 基于YOLOv7改进的PCB缺陷检测方法[J]. 计算机与现代化, 2024, 0(12): 45-52.
[12]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[13]	王海洋, 弓同鑫, 杨锦涛, 陈再龙. 多尺度时间编码的工业园区短期负荷预测[J]. 计算机与现代化, 2024, 0(12): 59-65.
[14]	刘云海1, 冯广1, 吴晓婷2, 杨群2. 复杂施工场景下的安全帽佩戴检测算法[J]. 计算机与现代化, 2024, 0(12): 66-71.
[15]	谷岳, 邓松峰, 沈霁, 穆文涛, 赵恩棋. 基于改进YOLOv8的SAR舰船目标检测算法[J]. 计算机与现代化, 2024, 0(12): 78-83.