改进YOLOv8M的水下目标检测算法

来源：计算机技术与发展杂志2025年第01期北京时间：

作者：全文君;骆红涛

摘要：受限于水中检测设备内存欠缺和计算能力不够强大以及水下环境错综复杂等多类因素,水下目标检测会出现检测目标错误和漏检目标等问题。 为了解决上述问题,通过对 YOLOv8M 算法进行改进,提出了一种更高效、精准的算法,使水下目标检测检测性能得到了一定提升。 首先,将一种注意力机制(A Simple-Atten Module,SimAM)嵌入网络结构中的颈部,解决了现有注意力模块只能沿着通道或空间维度细化特征,限制学习跨通道和空间变化的注意力权重灵活性的问题,加快了权重计算,提高了模型在水下模糊环境下的检测精度;其次,采用 DCNv4(Deformable Convolution v4)可变形卷积替换 C2f 结构中的3×3卷积模块,以增强空间聚合的动态特性和表达能力并优化内存访问提高速度。 此外,还采用加权双向特征金字塔结构(Bidirectional Feature Pyramid Network,BiFPN)将深度的特征信息层进行多尺度特征融合,以增强骨干网络的特征提取能力;最后,在预测部分使用 Wise-Inner-MPDIoU 损失函数将交叉熵损失函数进行替代,使模型对不同目标及尺寸的自适应能力得到一定程度的提升,增强算法的鲁棒性。 从实验结果可以看出,模型经过改进后在 URPC2020 数据集上取得了 86. 4 的 mAP,相比于原始的 YOLOv8M 算法,mAP 提高了 2. 8 百分点,检测速度提升至 102. 9 FPS。 经过改进后算法模型在进行水下目标检测任务时,无论是检测的精度或者速度都得到了有效的改进,说明该算法在用于水下目标检测的实际场景中有一定的实用性。

关键词：YOLOv8M;水下目标检测;注意力机制;金字塔结构;可变形卷积;损失函数