本项目旨在基于改进版 YOLOv8，结合多种自研模块，实现交通标志目标检测，并支持在华为昇腾（Ascend 310/310B4）开发板上高效部署。
├── code/
│ ├── dataset/ # 数据增强脚本
│ │ └── TT100k enhance.py
│ ├── model/ # 网络结构改进模块
│ │ ├── block_c2f faster kan.py
│ │ ├── block_DCCAttention.py
│ │ └── block_LGAFB.py
│ ├── pt2onnx.py # PyTorch转ONNX脚本
│ ├── pt2onnx.md # 转ONNX说明
│ └── onnx2om.md # ONNX转OM说明
├── model/
│ └── single_test/ # 各阶段模型文件
│ ├── 20240704_single_yolov8n.pt
│ ├── 20240909_single_yolov8n.onnx
│ └── 20240910_single_yolov8n.om
├── LICENSE
└── README.md
- 数据增强：支持多通道低照度模拟、噪声添加、HSV/YCrCb空间增强等，提升模型对复杂环境的鲁棒性。
- 模型结构改进：
- 模型格式转换：支持PyTorch→ONNX→OM全流程，便于在昇腾NPU部署。
- Python 3.8+
- torch、torchvision
- ultralytics>=8.0.0
- opencv-python
- pillow
- numpy
- 华为昇腾工具链（ATC）
cd code/dataset
python TT100k\ enhance.py
# 默认处理 input_images 文件夹，输出到 output_images详见 code/pt2onnx.py 和 pt2onnx.md，核心代码如下：
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
model.export(format='onnx', simplify=True, opset=13)详见 code/onnx2om.md，核心命令如下：
atc --mode 0 --model "yolov8n.onnx" --framework 5 --input_format "NCHW" \
--input_shape "images:1,3,640,640" --output yolov8-det --output_type "FP32" \
--host_env_os "linux" --host_env_cpu "aarch64" --soc_version "Ascend310B4"如遇内存不足，可尝试：
export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1- block_c2f faster kan.py
- block_DCCAttention.py
- block_LGAFB.py
如需详细训练、推理、部署流程或遇到问题，欢迎提交 issue 或联系作者。