优化 YOLO 架构以实现最佳检测和分类:YOLOv7与YOLOv10 的比较研究 ！

文章预览

保持公路基础设施对于确保安全、高效、可持续的交通系统至关重要。然而，手动收集数据来检测公路损坏耗时费力，且存在安全风险。近年来，人工智能的进步，尤其是深度学习，为利用道路图像实现这一过程的自动化提供了有前景的解决方案。 本文提出了一种使用深度学习模型进行公路损坏检测的综合工作流程，重点关注推理速度优化，同时保持检测准确性。具体来说，为了适应硬件限制，大图像被裁剪，轻量级模型被使用。 此外，还引入了一个外部的洞口数据集，以增强对这种代表性较弱的损坏类型的检测。所提出的方法采用了多种模型架构，包括一个带有坐标注意力层的自定义YOLOv7模型和一个小巧的YOLOv7模型，这些模型被训练和结合以最大化检测性能。这些模型进一步参数化以优化推理效率。 实验结果表明，使用三个坐标注意力层的自 ………………………………