计算机应用

作者：于银山, 唐旭, 丁明鉴, 黄文凯, 毕嘉文, 谭国辰

单位：淮阴工学院 电子信息工程学院，江苏 淮安 223003

关键词：自动驾驶,目标检测,实时检测,YOLOv10,轻量化模型

基金：国家自然科学基金资助项目(61801188);江苏省高等学校基础科学研究面上项目(22KJD510001);江苏省研究生科研与实践创新计划项目(SJCX25_2193);淮安市科技计划项目(HAB2025007)

随着自动驾驶技术的发展，实时车辆检测在确保系统安全性和可靠性方面至关重要。因此，设计一种基于YOLOv10的轻量化检测模型——YOLOv10-LITE。所提模型通过引入4个结构改进模块，在保持检测精度的同时，有效降低模型的复杂度和推理延迟，适用于资源受限环境下的实时检测任务。具体而言，使用动态上采样（DySample）模块在降低计算开销的同时提升特征图的分辨率；使用快速多尺度网络（FastMSNet）模块增强多尺度特征提取能力，提高对不同尺寸目标的检测效果；使用空间金字塔池化-局部选择性大核注意力（SPPF_LSKA）模块结合局部特征选择与全局上下文建模，从而有效捕获长程依赖；使用自适应细粒度通道注意力（AGFCA）模块通过通道与空间注意力的协同作用，提升关键特征信息的感知能力。在KITTI数据集上的实验结果表明，YOLOv10-LITE的平均精度均值（mAP）达到了77.1%，相较于YOLOv10提升了2.4个百分点；同时，参数量减少了8.7%。以上结果验证了所提模型在计算受限且需满足实时性的自动驾驶场景中的实用性。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期