1 引言

近年來，隨著深度學習技術1的飛躍性進步，計算機視覺領域中的目標檢測任務已躍升為研究的焦點。目前，目標檢測任務應用范圍廣泛覆蓋了視頻監控、工業自動化檢測、醫療健康監測等多個關鍵領域[2-3]，顯著提升了這些領域的效率與智能化水平。在這一背景下，通過計算機視覺技術減少對人力與資源的依賴，展現出重要的實際應用價值與深遠的社會意義。然而，盡管當前主流的目標檢測框架在多個方面取得了顯著成就，在處理小目標檢測任務時仍面臨挑戰，這一局限在實際應用場景中尤為突出[4。小目標檢測，通常指的是尺寸在 32×32 像素或更小的目標，其在無人機搜救中對災民的精準識別、自動駕駛系統中對遠處交通標識及車輛的即時捕捉等場景中扮演著不可或缺的角色[5]。

由于小目標在圖像中的絕對尺寸較小且相對占比低，現有的目標檢測算法在捕捉這些小目標的特征時往往面臨困難，導致檢測性能出現下滑。這一現象促使研究界深入探索針對小目標的優化策略，以克服檢測精度與效率上的瓶頸，進而推動計算機視覺技術在更多復雜、精細場景中的有效應用。如劉一江等提出一種基于YOLOv5s的安全帽改進算法。該算法在EfficientRepGFPN基礎上引入淺層分支及轉置卷積替換PAFPN，補充淺層小目標特征，減少上采樣中小目標丟失的邊緣信息。田春欣等提出一種基于密集連接任務對齊的小目標檢測算法DATNet。該算法采用CSPDarkNet網絡提取輸入圖像特征，通過密集連接的方式融入空洞卷積，添加注意力模塊捕捉感興趣的目標區域，引入DIoU回歸損失函數通過任務對齊的檢測頭來訓練模型。田鵬等[8提出了一種基于YOLOv8改進的道路交通標志目標檢測算法。該算法利用BRA（bi-levelroutingattention）注意力機制和可形變卷積模塊DCNv3（deformableconvolutionv3）提升小目標檢測能力。吳錦達等提出了一種基于深度學習的目標檢測方法。該方法的核心在于提出細粒度上下文模塊構建主干網絡，設計特征分化結構以增強對應尺寸目標的特征表達，定義自適應雙重焦點損失函數替換交叉熵損失函數。郭越等[提出了一種引入小目標檢測層和基于空洞卷積與注意力機制的特征增強模塊的方法，旨在提升無人機航拍圖像的目標檢測性能。盡管上述研究取得了一定的成就，但由于背景復雜、空間分辨率差異大、密集、小而不規則排列、遮擋、模糊等問題普遍存在，現有實際情況下密集小自標檢測挑戰依然存在。尤為關鍵的是，現有算法在追求檢測精度的同時，往往犧牲了模型的計算效率和輕量化，導致模型尺寸龐大、推理速度慢，極大地限制了其在資源受限的嵌入式設備上的部署與應用。因此，如何在保證檢測精度的前提下，實現檢測速度的提升和模型的輕量化，成為當前小目標檢測領域亟待解決的重要問題。

為解決復雜場景密集小目標檢測存在的缺陷，本文以YOLOv8為基礎，提出了一種改進YOLO目標檢測模型。通過使用幽靈瓶頸網絡（GhostBottleneckNetwork，GhostBNet）、多尺度自由注意力模塊（Multiscalefreeattentionmodule，MSFAM）、改進特征金字塔網絡（Improved Feature Pyramid Network，IFPN）、動態Soft-NMS（Dynamic SoftNMS，DSNMS）等優化策略，可以緩解復雜場景下密集小目標的漏檢問題，實現檢測速度與精度的平衡。

2 改進YOLO檢測模型

本研究以基礎YOLOv8模型結構為基準，旨在優化目標檢測模型以適應嵌入式設備的應用需求，同時提升對小目標的檢測能力。YOLOv8以其卓越的檢測精度著稱，但其高性能需求往往依賴于強大的GPU支持，這在資源受限的嵌入式環境中構成挑戰。此外，基礎YOLOv8的核心在于采用跨階段部分Darknet（CrossStagePartialDarknet，CSPdarknet）作為特征提取框架，該框架通過深度網絡結構擴展了感受野，但伴隨而來的是特征圖維度的縮減，進而增強了特征的語義抽象，卻犧牲了精確的位置信息，這對小目標的精確定位尤為不利。

為克服上述局限，本研究提出了一種改進YOLO檢測模型，該模型集成了幽靈瓶頸網絡（GhostBottleneckNetwork，GhostBNet）、多尺度自由注意力模塊（Multiscale free attention module，MSFAM）、改進特征金字塔網絡（ImprovedFeaturePyramidNetwork，IFPN）、動態Soft-NMS（Dynamic SoftNMS，DSNMS）等策略，以增強小目標檢測能力。改進YOLO檢測模型結構圖如圖1所示。

具體而言，改進YOLO檢測模型中，跨階段部分模塊（Cross Stage Partial Module，CSPModule）、快速空間金字塔池化（SpatialPyramidPoolingFast，SPPF）、檢測頭等模塊與基礎YOLOv8網絡功能相同，均用于減少信道數和卷積操作，可有效提升了計算效率與速度。通過引入Ghost模塊構建GhostBNet和DSNMS，從而進一步提升模型的計算效率與檢測性能。此外，在FPN層的基礎上，改進YOLO檢測模型還增加了一個反向的特征金字塔，并在上采樣過程中嵌入了MSFAM模塊，通過Concat操作將各層特征圖進行有效融合，從而實現了特征信息的深度整合與高效傳遞。

2.1 GhostBNet

在基礎YOLOv8模型設計中，處理豐富且潛在冗余的特征映射以實現對輸入數據的全面表征是一個核心挑戰。為了提升模型的效率與性能，本研究引入Ghost模塊作為傳統卷積層的替代方案，構建了GhostBNet。GhostBNet由兩大核心組件構成：主部分與殘余邊緣部分。主部分集成了Ghost模塊，負責生成主要的特征表示；而殘余邊緣部分則通過額外的卷積層（如 2×2 深度可分離卷積（Depthwiseseparableconvolution，DSC）與 1×1 標準卷積）進一步增強特征信息的提取與傳遞能力。

GhostBNet架構如圖2所示。對于輸入的圖像，首先通過一個16通道的 1×1 標準卷積層（批量歸一化（Batchnormalization，BN）與修正線性單元（RectifiedLinearUnit，ReLu）激活函數）進行初步處理。隨后，通過疊加（Add）多個Ghost模塊，逐步提取并融合多層次的特征信息。為了調整特征通道數，進一步采用卷積層將特征層擴展。接著，利用全局平均池化操作整合空間信息，并通過卷積層調整特征向量，為后續的分類任務做準備。最后，采用平鋪操作將特征向量完全串聯，以優化分類過程中的信息利用效率。

Ghost模塊的核心在于通過較少的參數來生成更多的特征圖。在GhostBNet中，第一個Ghost模塊用作擴展層，增加了通道數。這個擴展層通過1x1卷積降低通道數，然后通過3x3深度卷積對每個通道特征圖提取特征，最后將兩次卷積的輸出特征圖在通道維度上堆疊，從而增加特征圖的通道數。這樣的設計允許網絡在保持參數數量較低的同時，捕獲更豐富的特征信息，這對于小目標檢測尤其重要，因為小目標可能在特征圖中占據的區域較小，需要更多的通道來捕捉細節信息。而第二個Ghost模塊用于進一步提取和融合特征，增強網絡對小目標的識別能力。

2.2 MSFAM

在深度學習領域，空間注意[1]（spatial attention，SA）機制通過映射原始圖像的空間信息至一個替代空間，不僅保留了圖像的核心特征，還增強了網絡對顯著區域的敏感度，使得網絡能夠自適應地整合判別性強的全局與局部特征。另一方面，通道注意[2-13]（ChannelAttention，CA）機制則通過為不同通道的特征圖分配不同權重，實現了對特征重要性的量化評估。這一機制借助包含兩個全連接層的瓶頸架構設計，既增強了通道注意模塊的非線性學習能力，又有效減少了模型參數，提升了計算效率與模型泛化能力。基于空間與通道注意機制的探索，本文提出了MSFAM，旨在融合并擴展空間與通道注意的優勢，并通過引入多尺度特征處理機制，使網絡能夠更靈活地捕捉圖像中跨尺度的復雜信息。MSFAM結構如圖3所示。

給定輸入特征映射向量 ，其中 ！ h ，w 分別為特征映射向量的通道數、高、寬。MSFAM運行時，首先通過SA模塊處理，得到增強空間信息的特征映射 S∈R^c×h×w 。隨后，采用 1×1 卷積核（核數為 c/4 ）對空間信息特征映射 s 進行卷積，生成降維后的特征映射 D∈R^w×h×c/4 ，從而減少后續處理的計算負擔。為了捕獲多尺度特征，對 D 應用四個并行分支，每個分支執行不同的操作（如不同尺度的池化或卷積），從而生成多尺度特征張量

P₁∈R^w×h×c/4 、 P₂∈R^w×h×c/4 、 P₃∈R^w×h×c/4 、 P₄∈R^w×h×c/4 0接下來，通過級聯（Concat）操作，這些多尺度特征張量被融合成單一的特征張量 Q∈R^w×h×c ，從而實現了跨尺度的特征集成。

隨后，將 輸入CA模塊，以評估并增強各通道特征的重要性，并輸出特征映射 C∈R^w×h×c 。最后，采用Add操作將原始空間增強特征 s 與通道增強特征 c 進行融合，生成最終的特征映射 H∈R^w×h×c ，作為MSAM的輸出。

2.3 IFPN

基礎YOLOv8架構采用PANet結構進行多尺度特征融合，但這種融合方法不能充分利用不同尺度之間的特征，存在一定的檢測精度限制。具體而言，淺層網絡以其高分辨率特性，在定位準確性上展現出優勢；而深層網絡則因具備更廣闊的感受野，富含更多高層次的語義信息。為了克服上述瓶頸，本文引入了雙向特征金字塔網絡[14]（BidirectionalFeaturePyramidNetwork，Bi-FPN）作為特征融合的新范式，旨在深度優化多尺度特征間的互補性與一致性。

通過動態調整各特征的權重，確保所有權重的有效性在[0，1]區間內，從而在保持模型復雜度可控的同時，最大限度地提升融合效率與效果。動態調整各特征的權重過程計算如下：

式中： IFi 為輸入特征向量； xFo 為輸出特征向量； ω_i 和@j為可學習權值。需注意，該過程使用ReLU激活函數對[0，1]之間的可學習權值進行縮放。此外， ε 為一個較小的正數，以保證輸出穩定。

為了增強輸出層特征融合信息的能力，IFPN中還增加了跳躍連接形成融合模塊以進一步作為一個整體參與融合。該過程各層之間的關系定義為：

式中： f_Conv 為卷積運算； f_Res 為下采樣運算； p 為輸入特征圖； U 為輸出的特征圖。通過構建雙向特征金字塔網絡，可以提高檢測精度，減少模型的計算量。

2.4 改進Soft-NMS

在目標檢測過程中，通常會有多個高置信度的邊界框圍繞在實際目標周圍。為了解決這個問題，通常使用非極大抑制（Non-maxima Suppression，NMS）消除冗余的邊界框，確保每個對象只保留一個邊界框。NMS算法中抑制其他邊界框置信度而偏愛當前置信度最高的邊界框的數學表達式為：

式中： S_i 為檢測邊界框 b_i 的置信度； N^m 為預設的交并比（Intersection overUnion，IOU）閾值； M 為置信度最高的邊界框。

在密集物體檢測場景中，物體間的高度重疊常導致邊界框IOU超過預設閾值，進而引發以低置信度錯誤剔除邊界框的問題，增加了目標漏檢的風險，對整體檢測性能構成挑戰。盡管提高IOU閾值能在一定程度上緩解漏檢問題，卻不可避免地加劇了冗余檢測現象，單獨調整此閾值難以在召回率與準確性之間達成理想平衡。

為解決上述問題，Soft-NMS[15]引入了一個衰減函數機制，有效保留了更多潛在的有效檢測，同時避免了傳統NMS方法中的硬閾值截斷帶來的信息損失。Soft-NMS包含兩種不同形式的衰減，第一種衰減由以下數學表達式描述：

式中：如果邊界框 b_i 和置信度最高的邊界框 M 的IOU小于給定閾值 N^m ，則其置信水平保持不變；否則，當其大于 N^m 時，其置信度 S_i 根據重疊程度線性衰減。

Soft-NMS衰減的第二種形式是連續衰減函數。該值用數學表達式表示如下：

式中： σ 為衰減因子。Soft-NMS將置信度 S_i 乘以與IOU相關的高斯加權函數，當IOU值較低時衰減較緩，當IOU接近1時衰減程度較大。

然而，受限于固定的比例因子，Soft-NMS難以全面適應不同檢測對象特征的多樣性。具體而言，Soft-NMS在處理復雜場景時，可能因無法動態調整閾值而錯失部分有效檢測或引入不必要的冗余，特別是在物體分布密集且重疊嚴重的挑戰性環境中。鑒于此，本文提出了一種DSNMS方法。該方法核心在于引入了一種動態閾值調整機制，允許根據檢測目標的特征（如大小、形狀、紋理等）動態調整閾值。這一設計旨在更精準地評估邊界框的有效性，從而在保持高召回率的同時，減少誤檢和冗余，提升目標檢測的準確性和可靠性。

DSNMS中，動態閾值計算如下：

式中： n 為提取的邊界框個數。通過動態閾值調整從而更靈活地調整不同的物體密度和分布來進一步改善檢測性能。

3 實驗結果分析

為了驗證改進YOLO的效果，基于自制數據集進行了訓練和測試。

3.1 實驗準備

自制數據集融合了開源數據、網絡攝像頭和旋翼無人機等現代成像設備采集的視頻數據，涵蓋了街道、公園等多樣化的復雜環境，主要研究對象包括人、安全帽等多尺度類型目標。部分原始圖像數據集由網絡爬蟲爬取；部分原始視頻數據集且包含50多個采集的視頻文件，總時長超過20小時。所有視頻文件經過抽幀處理并剔除嚴重污染圖像后，共收集到約2萬幅圖像。此外，將所有圖像均通過開源的labelimg軟件進行標注，遵循PASCALVOC格式，確保了標注的準確性和一致性。部分數據展示效果圖如圖4所示。

為評估模型性能，數據集被劃分為訓練集、測試集和驗證集，比例分別為8：1：1。值得注意的是，數據集中目標尺寸分布多樣且不平衡，小型目標占比高達45% ，中間尺寸目標約占 40% ，而大型目標僅占約15% 。

實驗時硬件環境設置如下：檢測網絡在Ubuntu20.04系統上使用PyTorch深度學習框架構建。使用的處理器是第11代英特爾（R）酷睿（TM）i7-11700KF，運行頻率為 3.60GHz 。使用的顯卡是NVIDIAGeForceGTX3060Ti ，64GARM。改進YOLO的超參數設置如下：令初始學習率設置為0.01，動量為0.98，權重衰減因子為0.001，批大小為16，最大迭代周期為300，輸入圖像像素為 640×640 。

實驗時通過以下三個性能指標評估網絡性能：精度、召回率、 mAP@0.5 、浮點計算（FLOPs）

和參數量。需注意 mAP@0.5 為IoU閾值設置為0.5時的平均值。精度、召回率、mAP指標計算公式如下：

式中： P_re 為精度，表征預測標簽為正類的樣本中，預測正確的比值； R_EC 為召回率，表征真值標簽為正類的樣本中，預測正確的比例； T_N 為預測值和實際值均為負樣本的數量； F_P 為預測值為正樣本，但實際為負樣本的數量； F_N 為預測為負樣本，實際為正樣本的數量； T_P 預測和實際均為正樣本的數量；C_N 為類別的數量；AP i 為第 i 個目標類別的平均精度。

3.2 實驗與分析

3.2.1 消融實驗

為了深入探究GhostBNet、MSFAM、IFPN、DSNMS等策略對YOLOv8_s模型性能的具體影響，本節設計并實施了一系列消融實驗。這些實驗旨在通過逐步添加不同策略至基礎YOLOv8_s模型。消融實驗對比結果如表1所示，包括不同策略組合下的精度、召回率、 mAP@0.5 、浮點計算量及參數量等關鍵指標。

首先，單獨添加GhostBNet至YOLOv8s模型后，模型參數量與浮點計算量顯著降低，分別降低了77.66% 和 64.26% 。這一結果表明，GhostBNet作為一種輕量級網絡結構，能夠有效減少模型復雜度，實現模型的輕量化。然而，精度指標略有下降（約 1.43% ），召回率和 mAP@0.5 也略有降低，但幅度不大。這表明，雖然GhostBNet在降低模型復雜度方面表現出色，但也可能在一定程度上犧牲了部分檢測精度。

隨后，在GhostBNet的基礎上添加MSFAM策略，模型參數量與浮點計算量進一步降低，同時精度、召回率和 mAP@0.5 指標值均顯著提升。具體而言，精度提升了 6.25% ，召回率提升了 3.90% ， mAP@0.5 提升了 3.46% 。這一結果驗證了MSFAM策略在提升模型檢測能力方面的有效性，特別是在處理密集或小目標等復雜場景時表現出色。

接下來，嘗試在GhostBNet上添加IFPN策略。與單獨添加GhostBNet相比，模型參數量、浮點計算量、精度、召回率和 mAP@0.5 指標值均有所提升，但提升幅度適中。這表明IFPN策略對于提升模型檢測能力具有積極作用，但可能不如MSFAM策略顯著。

此外，還探索了在GhostBNet上添加DSNMS策略的效果。實驗結果顯示，模型參數量與浮點計算量大幅度降低，同時精度、召回率和 mAP@0.5 指標值均有所提升。這表明DSNMS策略在優化模型結構的同時，也提升了模型的檢測能力。

最后，將GhostBNet、MSFAM、IFPN、DSNMS等策略全部添加至YOLOv8_s模型，構建出改進后的YOLO模型。與原始YOLOv8_s模型相比，改進后的模型在參數量和浮點計算量上分別降低了 72.30% 和52.06% ，同時在精度、召回率和 mAP@0.5 指標值上分別提升了 8.90% 、 4.04% 、 4.32% 。這一結果充分證明了所提策略的有效性和實用性，可實現高效輕量級部署。

綜上所述，消融實驗結果表明，GhostBNet、MSFAM、IFPN、DSNMS等策略在提升模型檢測能力、降低模型復雜度方面均表現出色。然而，不同策略對模型性能的影響存在差異，需根據具體應用場景和需求進行選擇和組合。

3.2.2 與主流實驗對比

本節系統評估了所提出的改進YOLO模型在復雜場景下的目標檢測能力，特別是在處理嚴重遮擋與密集小目標挑戰時的表現。基準對比模型包括：Faster-RCNN、YOLOv8_1、YOLOv8_s、YOLOv9_1、YOLOv9_s。對比指標為 mAP@0.5 、參數量和浮點計算量。不同主流目標檢測模型比較結果如表2所示。

可以看出，所提改進YOLO模型在具有嚴重遮擋和密集小自標的場景中表現出增強的檢測性能，優于其他模型。具體而言，改進YOLO在 mAP@0.5 指標上超越了其他主流模型，參數量和浮點計算量指標處于中等水平，這一結果充分驗證了模型在速度與準確性之間實現了良好的平衡。分析原因：通過在YOLO框架中集成MSFAM與DSNMS，模型能夠更有效地聚焦于與小目標檢測密切相關的特征信息，同時抑制不必要的細節干擾，從而顯著優化了檢測精度。DSNMS策略特別針對密集場景中的重疊檢測盒問題，通過動態調整重疊檢測盒的置信度分數，避免了不必要的重復檢測，有效減少了漏檢情況。通過對比與分析，可以明確看出，所提出的方法在復雜場景中的檢測性能優于現有主流方法，為實際應用中的目標檢測任務提供了更加高效且精準的解決方案。

3.2.3 展示效果對比

本節評估了多種目標檢測模型在復雜場景下的性能表現，特別是聚焦于處理具有挑戰性特征的目標，如小尺寸、模糊邊緣、以及高密度且存在遮擋的聚類對象。展示效果對比實驗中，選取YOLOv8s和YOLOv9s作為當前流行的輕量級檢測模型代表。不同主流模型檢測效果對比圖如圖5所示。對比結果中

YOLOv8_s和YOLOv9_s中無法有效檢測區域采用黑色橢圓標記。

可以看出，在針對特定復雜場景（如含小而模糊目標或密集遮擋對象的圖像）的測試中，YOLOv8_s和YOLOv9s兩種模型均表現出不同程度的性能下降，主要體現在漏檢率上升及誤檢率增加上。相比之下，所提改進YOLO檢測模型在應對上述挑戰時展現出了更為穩健的性能。通過優化網絡結構、引入更精細的特征融合機制以及采用增強的上下文信息建模策略，改進YOLO模型在保持計算效率的同時，顯著提升了在復雜場景下的檢測準確率。特別是在檢測小而模糊的目標時，該模型能夠更有效地捕捉細微特征，減少漏檢；面對前景與背景嚴重遮擋的密集聚類對象，通過引入空間注意力機制與遮擋感知策略，有效提升了區分能力，降低了誤檢率。

4結論

在計算機視覺領域，目標檢測技術因其在多種應用場景中的重要作用而受到廣泛關注。盡管當前的目標檢測算法在處理常規尺寸目標時表現出色，但在小目標檢測方面仍存在挑戰。為了克服這一難題，本文提出了一種改進的YOLO目標檢測模型，有效地提升了小目標的檢測性能，并在計算效率上實現了優化。盡管本文提出的模型在小目標檢測方面取得了顯著的成果，但仍存在一些不足之處。例如，模型在處理極端小目標時的性能仍有提升空間，且在某些復雜背景下的魯棒性也需要進一步增強。

未來的工作將集中在以下幾個方面：首先，進一步優化模型結構，以提高對極端小目標的檢測能力；其次，增強模型的泛化能力，使其在更多復雜場景下保持穩定的性能；最后，探索更高效的特征融合和注意力機制，以實現更高的檢測精度和計算效率。

參考文獻

[1] CHENGY，LAIX，XIAY，etal.InfraredDimSmall TargetDetection Networks：A Review.Sensors （Basel，Switzerland），2024，24（12）：

3885.

[2]BENGAMRA S，MZOUGHI O，BIGAND A， et al.A comprehensivesurvey onobject detectionin Visual Art： taxonomy and challenge.Multimedia Toolsand Applications，2023，83（5）：14637-14670.

[3]張春節，羅瑞林，盧琳，等.基于 MobileNet 和遷移學習的微帶青煙葉圖像識別.云南師范大學學報（自然科學版），2023，43（4）：46-48.

[4]LING X， ZHANG C， YAN Z， et al. Infrared Dim and small targetdetection based on Local-Global Feature Fusion.Applied Sciences，2024，14（17）：7878.

[5]WEI W， CHEN Y， HE J， et al. A review of smallobject detectionbased on deep learning.Neural Computing and Applications，2024，36（12）：6283-6303.

[6]劉一江，樊福景，王通.基于改進YOLOv5 的安全帽小目標檢測算法.信息技術與信息化，2024（5）：115-119.

[7]田春欣，陳緒君，鄭有凱.基于密集連接任務對齊的小目標檢測算法.計算機工程與設計，2024，45（4）：1032-1038.

[8]田鵬，毛力.改進 YOLOv8 的道路交通標志目標檢測算法.計算機工程與應用，2024，60（8）：202-212.

[9]吳錦達，李強.基于深度學習的遙感圖像目標檢測.軟件工程，2024，27（10）：7-11.

[10] 郭越，楊江濤，劉志.復雜場景下的無人機小目標檢測算法.工業控制計算機，2024，37（9）：33-34+37.

[11] 敬輝，葛動元，姚錫凡.基于改進注意力與多尺度特征的車輛識別.計算機工程與設計，2024，45（10）：3120-3127.

[12]臧珂.結合非對稱卷積組與通道注意力的遙感影像建筑檢測方法測繪與空間地理信息，2024，47（10）：87-90.

[13]WANGG，LI Q，WANGN，et al.SAFPN：a full semantic featurepyramid network for object detection. Pattern AnalysisandApplications，2023，26（4）：1729-1739.

[14] 馮新偉，黃宇祥，王忠立.基于卷積塊注意力模塊和雙向特征金字塔網絡的接觸網支持裝置檢測方法研究.鐵道技術監督，2023，51（4）：16-24.

[15] CHEN Y， WANG L， DING B， et al. Automated Alzheimer's diseaseclassification using deep learning modelswith Soft-NMSandimproved ResNet50 integration.Journal of Radiation Research andApplied Sciences，2024，17（1）：100782.

Abstract： With therapid developmentof dep learming technology，object detection has been widelyapplied inmultiple fields. However，smallobjectdetectionhas limiteddetectionperformaneduetoitssmallsizeandunclearfeatures.Toaddresthis isue， this paper proposesan improvedobject detection model basedon YOLOv8.This model integrates optimizationstrategies such as ghostbottleneck network，multi-sale freeatentionmodule，improvedfeature pyramid ntwork，and dynamic SoftNiing toimprove thedetection accuracyof dense smalltargets and the computational eficiencyofthe model.Through experimental validation ona self-made dataset，ithas been demonstrated that the improved YOLO model outperforms existing mainstream models in termsof precision，recall rate，and mAP @0.5 ，which arekeymetrics，effectively balancing themodel's parametercount andfloating-pointcomputationalload.Theexperimentalresultsshowthat theproposed methodachievesmodellightweighting while ensuring detectionaccuracyprovidingan efective solution forobject detection tasksonresource limited embedded devices.

Keywords： deep learning; small target detection; convolutional neural network; attention mechanism; loss function