Abstract The resolution of traffic congestion and personal safety issues holds paramount importance for human’s life. The ability of an autonomous driving system to navigate complex road conditions is crucial. Deep learning has greatly facilitated machine vision perception in autonomous driving. Aiming at the problem of small target detection in traditional YOLOv5s, this paper proposes an optimized target detection algorithm. The C3 module on the algorithm’s backbone is upgraded to the CBAMC3 module, introducing a novel GELU activation function and EfficiCIoU loss function, which accelerate convergence on position loss l box , confidence loss l obj , and classification loss l cls , enhance image learning capabilities and address the issue of inaccurate detection of small targets by improving the algorithm. Testing with a vehicle-mounted camera on a predefined route effectively identifies road vehicles and analyzes depth position information. The avoidance model, combined with Pure Pursuit and MPC control algorithms, exhibits more stable variations in vehicle speed, front-wheel steering angle, lateral acceleration, etc., compared to the non-optimized version. The robustness of the driving system's visual avoidance functionality is enhanced, further ameliorating congestion issues and ensuring personal safety.

Abstract High-precision road vehicle detection is a key requirement in the field of autonomous driving. In this paper, an optimization method based on YOLOv8n is proposed to improve the detection accuracy and generalization ability of existing deep learning target detection algorithms. The structure of YOLOv8n is comprehensively improved by upgrading Backbone to VanillaNet structure, optimizing the traditional PANet in the neck to Bi-FPN, and introducing the ASFF module in the head part. The model training is performed using a specially designed dataset based on the pictures collected from the car recorder. Comparative experimental indicates that the optimized model improves 1.75%, 2.76%, 3.6%, and 4.7% in Precision, Recall, mAP0.5, and mAP0.5:0.95. While the accuracy is improved, the number of parameters only increases by 21.81M, the FLOPS only increases by 61.22B, and the computational complexity is still lower than that of the same series of YOLOv8m. In addition, the independent contributions of each improvement module are systematically analyzed through ablation experiments. In the driving test, the inference confidence and frame rate are used as indicators for the detection evaluation of road scenes. The test results show that the frame rate always stays above 38 FPS and reaches up to 56 FPS, and the detection confidence is no less than 0.69 in the face of diversified road targets, which meets the accuracy and real-time demand of the automatic driving detection system. The research in this paper provides a feasible and efficient solution to improve the target detection accuracy.

With the widespread application of deep learning technology in the field of intelligent driving, machine vision has become the preferred technology for vehicle detection tasks. However, high-precision object detection often involves a large number of parameters and significant computational complexity, making algorithm deployment challenging and hindering real-time system response. This study adopts the lightweight detection model YOLOv8n as the foundational framework, optimizing it to develop BiFCNet-YOLOv8, which aims to balance detection accuracy with computational efficiency for in-vehicle system deployment. In our research, the more efficient Bi-FPN replaces the traditional PANet, enhancing feature interactions across different scales through bidirectional pathways. Additionally, the CBAM attention mechanism is incorporated between the Neck and Head layers to further refine information and enhance local feature representation. Comparative experiments show that the improved model increases Precision by 1.71% and mAP 0.5:0.95 by 3.23%, with a parameter growth of only 6.43M and a FLOPS increase of only 15.83B. The detection algorithm integrates TTC and DeepSORT to enhance the driving warning function. Road tests confirm that this algorithm can effectively and accurately detect the position of the vehicle ahead. In simulation tests, key parameters such as relative speed and longitudinal acceleration meet the requirements for collision warning systems. This study provides a lightweight and efficient detection algorithm solution for vehicle collision warning tasks.