基于YOLOv10n+EMA注意力機制的車輛車牌檢測

摘要：隨著車輛檢測及車牌檢測技術的發展，針對目前車輛檢測和車牌檢測因其在整幅圖像中所占比例較小而影響檢 測精度的問題，提出了一種基于YOLOv10n+EMA注意力機制的算法用于車輛檢測和車牌檢測。首先，將檢測類別設定 為兩個，并設置算法所用的數據集文件和模型參數文件；其次，設計EMA注意力機制模塊，并將EMA注意力機制添加到 YOLOv10n算法的主干網絡（backbone） 中；最后，根據EMA注意力在YOLOv10n中的位置設計算法所用的模型結構文件， 并訓練算法模型。在公開數據集上的實驗結果表明，所提方法在車輛和車牌檢測任務中，Box（P）（準確率） 、Box（R）（召回 率） 、mAP50（平均精度均值50） 、mAP50-95（平均精度均值50-95） 等四個指標均優于僅采用YOLOv10n檢測的結果。

關鍵詞：YOLOv10n；EMA注意力；注意力機制；車輛檢測；車牌檢測

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2025）13-0008-04

x0 引言

隨著人工智能技術的普及，交通行業對目標檢測 技術的依賴性日益凸顯。目標檢測算法是計算機視 覺領域的一個重要組成部分，主要用于檢測圖像中的 物體類別和物體位置信息。

現今，政府大力推進社會的數字化和智能化，因 此，實現交通行業的數字化和智能化不可或缺。車輛 和車牌與交通行業密不可分，因此車牌檢測和車輛檢 測對于現代交通至關重要。但車輛和車牌所占圖像 的區域相對較小，這對車輛檢測和車牌檢測來說是一 個較大的挑戰。

針對此問題，依據注意力機制對于目標檢測的高 效性，提出了一種基于 YOLOv10n+EMA 注意力機制 的算法對車輛和車牌進行檢測。

1 YOLOv10算法簡介

目標檢測算法種類較多，最著名的當數 R-CNN 系列[1-3] 、SSD算法[4] ，以及YOLO系列[5-6] 。R-CNN系列 的目標檢測是用兩階段檢測的算法，即通過兩個步驟 來實現目標檢測的目的，第一步先提取物體的區域， 第二步再根據區域的特征進行分類識別；SSD算法和 YOLO系列算法為一階段算法，也就是通過算法直接 可以給出目標檢測的類別和位 置信息，但是 SSD 算法是對于 單目標而言的，也就是一次只 能檢測圖像中的一個目標，對 于同時要求檢測出多個目標的 場景不適用；而 YOLO 系列算 法因其為一階段檢測算法、檢測速度快、模型輕量化 及可同時檢測出多個目標而備受青睞，故而采用 YOLO系列算法對車輛和車牌進行檢測。

型大小分為 YOLOv10 YOLOv 算法[7] 10 是由清華大學提出的 n、YOLOv10s、YOLOv 。它根據模 10m、YO? LOv10b、YOLOv10l、YOLOv10x，其 參 數 數 量 依 次 增 大、檢測效果依次提高。因此，本文選擇了參數數量 最少、速度最快的 YOLOv10n 進行研究。YOLOv10n 網絡架構可分成 3 個部分，分別為主干網絡（back? bone） 、頸部網絡（neck） 和頭部網絡（head） 。主干網絡 （backbone） 的作用是提取特征，頸部網絡（neck） 的作 用主要是將主干網絡（backbone） 中提取的特征進行融 合，頭部網絡（head） 的作用是對頸部網絡（neck） 經融 合后的特征進行檢測，并輸出檢測目標的類別和位置 信息。其結構如圖1所示。

2 EMA注意力機制

面對檢測目標的復雜性，越來越多的研究學者利 用注意力機制來關注圖像中的重要區域，忽略圖像中 的不重要區域，從而提升算法的檢測性能。目前，注 意力機制大多可分為空間域注意力、通道域注意力或 混合域注意力。空間域注意力機制關注圖像的空間信息，在空間位置上計算 其最大池化值、平均池化 值等，然后將其拼接，進 一步利用拼接的信息進 行學習；通道域注意力機 制從圖像的通道上分別 計算其最大池化值、平均 池化值等，然后將該池化 值進行卷積、激活等操 作；混合域注意力機制通 常融合了空間域注意力 和通道域注意力等。

EMA 注意力機制（Efficient Multi-Scale Attention， EMA）[8] 作為混合域注意力機制的代表，融合了空間域 注意力機制和通道注意力，是一種跨空間學習的多尺 度注意力機制，旨在保留每個通道的信息，同時減少 計算開銷。該機制通過將部分通道重塑為批處理維 度，并將通道維度分為多個子特征，使空間語義特征 在每個特征組內均勻分布。特別地，除了通過對全局 信息進行編碼以校準每個并行分支的通道權重外，兩 個并行分支的輸出特征通過一個跨維度的交互進一 步 融 合 ，以 捕 捉 像 素 級 的 成 對 關 系 。 其 結 構 如 ICASSP（International Conference on Acoustics， Speech， and Signal Processing） 2023 會 議 中 Efficient Multi Scale Attention Module with Cross-Spatial Learning一文 第三頁的圖2所示，具體如圖2所示。

3 YOLOv10n+EMA注意力機制

鑒于注意力機制與 YOLO 算法的融合對于小目 標檢測具有較出色的表現，如YOLOv8n融合EMA 注 意 力 機 制 對 飛 機 蒙 皮 損 傷 的 檢 測[9] 、YOLOv8 融 合 EMA注意力機制對刺萼龍葵的識別[10] 以及YOLOv8融 合EMA注意力機制對茶葉病害的檢測[11] 等，針對在實 際環境中車輛和車牌所占整個環境比重較小而導致 車輛檢測和車牌檢測準確率較低和精度較差的問題， 本文提出了一種基于YOLOv10n+EMA注意力機制的 車輛車牌檢測方法。其結構如圖3所示，展示了YO? LOv10n與EMA注意力機制相結合的架構。

從圖3可以看出，YOLOv10n+EMA注意力機制算 法的架構設計。首先，將EMA注意力機制添加到YO? LOv10n的第2層、第10層和第13層，以提高算法模型 的檢測性能；其次，將第7層C2f模塊輸出的特征與第 14 層經上采樣輸出的特征進行融合并傳遞給第 15 層，將第5層C2f模塊輸出的特征與第17層經上采樣 輸出的特征進行融合并傳遞給第18層，將第16層C2f 模塊輸出的特征與第20層Conv模塊輸出的特征進行 融合并傳遞給第21層，將第12層PSA模塊輸出的特 征與第 23 層 C2f 模塊輸出的特征進行融合并傳遞給 第 24 層；最后，將第 19 層 C2f 模塊輸出的特征、第 22 層C2f模塊輸出的特征以及第25層C2fCIB模塊輸出 的特征進行融合，并傳遞給頭部網絡（head） ，輸出檢測 目標的類別以及目標的位置信息。

4 實驗及結果分析

4.1 實驗環境與參數設置

本實驗采用的操作系統為 Windows 10，使用的 GPU 為 NVIDIA GeForce GTX 1060，CPU 為 Intel（R） Core（TM） i7-8750H CPU @2.20GHz，深度學習框架為 Torch 2.5.0，Cuda 12.4，編 程 語 言 為 Python，版 本 為 3.9.20。

訓練參數設置如下：模型訓練采用的優化器為 Adam，學 習 率 為 0.001 667，Momentum 為 0.9，Batch Size為16，迭代次數為100，訓練集、驗證集、測試集按 照2∶1∶1的比例劃分。

4.2 數據集

實驗所采用的數據集從CCPD2020[12] 數據集中篩 選獲得，經篩選后，圖像中車輛的大部分區域均包含 在圖像內。然后采用labelImg標注軟件分別對篩選后 的圖像中的車輛和車牌進行標注，車輛類別標為0，車 牌類別標為 1。經篩選與標注后的數據集大約包含 2 000張圖像。

4.3 評價指標

為更客觀地評價所提算法的性能，采用 Box（P）、 Box（R）、mAP50、mAP50-95四種評價指標對檢測結果 進行驗證。其中，Box（P）表示檢測到的邊界框的精確 率，即模型正確識別出的車輛和車牌的邊界框占所有 被預測為車輛和車牌邊界框的比例；Box（R）表示檢測 到的邊界框的召回率，即模型正確識別出的車輛和車 牌的邊界框占所有車輛和車牌邊界框的比例，其值越 高，表示模型的漏檢率越低；mAP50表示平均精度在 IoU閾值為0.5時的值；mAP50-95表示平均精度在IoU 閾值為0.5到0.95之間的一系列值。

4.4 實驗結果及分析

用原始YOLOv10n算法對車輛檢測和車牌檢測的 檢測結果與本文提出的YOLOv10n+EMA注意力機制 算法對車輛和車牌的檢測結果分別如表 1 和表 2 所示。

從表1和表2可以看出，YOLOv10n+EMA注意力 機 制 算 法 對 車 輛 檢 測 的 Box（P）、Box（R）、mAP50、 mAP50-95 分別為 99.2%、98.1%、99.5%、85%，分別比 用 YOLOv10n 算 法 對 車 輛 檢 測 的 Box（P）、Box（R）、 mAP50、mAP50-95 高了 0.2%、0.1%、0.1%、0.4%；YO? LOv10n+EMA 注意力機制算法對車牌檢測的 Box（P）、 Box（R）、mAP50、mAP50-95 分 別 為 95.2%、95.6%、 98.4%、55.9%，分別比用 YOLOv10n 算法對車牌檢測 的 Box（P）、Box（R）、mAP50、mAP50-95 高 了 0.2%、 1.1%、0.4%、0.1%；而 YOLOv10n+EMA 注意力機制算 法對全部類別檢測的Box（P）、Box（R）、mAP50、mAP50- 95分別為97.2%、96.8%、98.9%、70.4%，分別比用YO? LOv10n 算 法 對 全 部 類 別 檢 測 的 Box（P）、Box（R）、 mAP50、mAP50-95提高了0.2%、0.6%、0.2%、0.2%。 除了對 YOLOv10n+EMA 注意力機制算法和 YO? LOv10n 算法在車輛檢測、車牌檢測以及全部類別檢 測的 Box（P）、Box（R）、mAP50 和 mAP50-95 四個指標之 間進行了對比之外，本文還對 YOLOv10n+EMA 注意 力機制算法和YOLOv10n算法之間的運行時間和模型 參數進行了對比，如表3所示。

從表 3 中可以看出，在時間維度上，YOLOv10n+ EMA注意力機制算法的訓練時間為7 941.0 s，而YO? LOv10n算法的訓練時間為7 196.2 s，雖然YOLOv10n 算法的訓練時間比YOLOv10n+EMA注意力機制算法 的訓練時間快了 744.8 s，但是 YOLOv10n+EMA 注意 力機制算法對單張圖像的預處理時間和推理時間分 別為 0.2 ms 和 5.7 ms，分別比 YOLOv10n 算法對單張 圖像的預處理時間和推理時間快了8.5倍和0.49倍； 在模型參數上，YOLOv10n+EMA注意力機制算法的層 數、參數數量、所占內存分別為 309、2 716 108、5.8 MB，而YOLOv10n算法的層數、參數數量、所占內存分 別為285、2 695 196、5.7 MB。雖然YOLOv10n算法的 層數、參數數量分別比 YOLOv10n+EMA 注意力機制 算法的層數、參數數量少了24層、20 912個，但是從模 型所占內存來看，YOLOv10n+EMA注意力機制算法的 模型所占內存為5.8 MB，YOLOv10n算法的模型所占 內存為5.7 MB，YOLOv10n算法的模型所占內存僅比 YOLOv10n+EMA注意力機制算法的模型所占內存少 了0.1 MB，YOLOv10n+EMA注意力機制算法的模型所 占內存并無明顯增加。

5 結論

本文提出了一種基于YOLOv10n+EMA注意力機 制的算法分別對車牌和車輛進行檢測，實驗結果表 明，雖然本文所提算法的模型所占內存和訓練時間均 比YOLOv10n算法有所增加，但是本文所提算法在對 單張圖像的預處理時間和推理時間均有所減少，并且 本文所提的YOLOv10n+EMA注意力機制算法對車輛 和車牌檢測的 Box（P）、Box（R）、mAP50 和 mAP50-95 四 個指標均比YOLOv10n算法對車輛和車牌檢測的Box （P）、Box（R）、mAP50 和 mAP50-95 四個指標更高，表明 本文所提方法的有效性和高效性。

今后，將從算法的模型結構以及注意力機制上繼 續進行研究優化，以提高算法的檢測速度、檢測精度、 算法的輕量化以及算法的可移植性。

參考文獻：

[1] GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hi?erarchies for accurate object detection and semantic segmenta? tion[C]//2014 IEEE Conference on Computer Vision and Pat? tern Recognition.June 23-28，2014，Columbus，OH，USA.IEEE， 2014：580-587.

[2] GIRSHICK R. Fast R-CNN[C]//Proceedings of the 2015 IEEE International Conference on Computer Vision. Santiago： IEEE， 2015： 1440-1448.

[3] REN S Q，HE K M，GIRSHICK R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelli? gence，2017，39（6）：1137-1149.

[4] LIU W， ANGUELOV D， ERHAN D， SZEGEDY C， REED S， FU C Y， BERG A C. SSD： Single Shot MultiBox Detector[C]// Computer Vision –"ECCV 2016. Cham： Springer， 2016： 21- 37.

[5] REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once：unified，real-time object detection[C]//2016 IEEE Confer? ence on Computer Vision and Pattern Recognition （CVPR）. June 27-30，2016，Las Vegas，NV，USA.IEEE，2016：779-788.

[6] REDMON J，FARHADI A.YOLO9000：better，faster，stronger[C]// 2017 IEEE Conference on Computer Vision and Pattern Recog? nition （CVPR）.July 21-26，2017.Honolulu，HI.IEEE，2017：6517- 6525.

[7] WANG A，CHEN H，LIU L H，et al.YOLOv10：real-time end-to end object detection[EB/OL]. 2024： 2405.14458. https：//arxiv. org/abs/2405.14458v2.

[8] OUYANG D L，HE S，ZHANG G Z，et al.Efficient multi-scale at? tention module with cross-spatial learning[C]//ICASSP 2023 - 2023 IEEE International Conference on Acoustics，Speech and Signal Processing （ICASSP）. June 4-10， 2023， Rhodes Island， Greece.IEEE，2023：1-5.

[9] 李耀華，陳杰.融合注意力機制的飛機蒙皮損傷LHN-YOLO 小目標檢測算法[J/OL].北京航空航天大學學報，2025：1-13. （2025-02-18）. https：//link. cnki. net/doi/10.13700/j. bh. 1001- 5965.2024.0713.

[10] 杜世峰，楊亞帥，程曼，等.基于深度學習的刺萼龍葵實時識 別與計數方法[J].農業機械學報，2024，55（S1）：295-305.

[11] 賈瀛睿，龍陽，胡蓉華，等.基于YOLO v8-Tea的茶葉病害檢 測方法[J].江蘇農業科學，2024，52（15）：213-221.

[12] XU Z B，YANG W，MENG A J， et al.Towards end-to-end li? cense plate detection and recognition：a large dataset and base? line[C]//Computer Vision-ECCV 2018. Cham： Springer， 2018： 261-277.