Robotaxi感知系统——基于YOLOv8的实时红绿灯检测

​1. 昇腾计算环境初始化

在车载边缘计算平台部署模型前，我们首先需要在搭载昇腾处理器的云端或工作站进行模型训练。为了充分发挥Ascend NPU的图算融合优势，我们统一采用静态图模式（GRAPH_MODE）。

import mindspore as ms

# 配置静态图模式，并将计算后端指定为Ascend
ms.set_context(mode=ms.GRAPH_MODE, device_target="Ascend")
# 开启图算融合，加速细粒度算子的执行效率
ms.set_context(enable_graph_kernel=True)
print("Ascend context ready for Traffic Light Detection.")

2. 针对微小目标的Mosaic数据增强

红绿灯在车载摄像头的画面中通常只占极小的像素比例（小目标检测痛点）。在MindSpore的数据流水线中，除了常规的色彩变换，强烈建议引入Mosaic数据增强。它通过将四张图片随机裁剪、缩放并拼接在一起，能够极大丰富小目标的背景上下文，提升模型对远距离红绿灯的敏感度。

import mindspore.dataset as ds
import mindspore.dataset.vision as vision

def create_traffic_light_dataset(data_path, batch_size=16):
    # 假设数据集包含四类：Red, Green, Yellow, Off
    dataset = ds.ImageFolderDataset(data_path, num_parallel_workers=8)

    # 定义预处理流水线
    transform_pipeline = [
        vision.Decode(),
        # 缩放至YOLOv8标准分辨率
        vision.Resize((640, 640)),
        # 亮度与对比度抖动，抵抗自然光照变化和逆光干扰
        vision.RandomColorAdjust(brightness=0.4, contrast=0.4),
        vision.Normalize(mean=[0.0, 0.0, 0.0], std=[255.0, 255.0, 255.0]),
        vision.HWC2CHW()
    ]

    # 注意：实际工程中，Mosaic增强通常在自定义的Dataset类中实现，
    # 此处展示基础的Pipeline映射
    dataset = dataset.map(operations=transform_pipeline, input_columns="image", num_parallel_workers=8)
    dataset = dataset.batch(batch_size, drop_remainder=True)
    return dataset

3. 适配红绿灯检测的YOLOv8颈部网络 (Neck)

YOLOv8采用了PANet (Path Aggregation Network) 结构的Neck来进行多尺度特征融合。针对红绿灯这类小目标，底层的高分辨率特征图包含了更多的边缘和位置信息。我们需要确保底层特征（如P3层，下采样8倍）在特征金字塔中得到充分的保留和融合。

以下是使用MindSpore构建特征融合核心组件的逻辑示意：

import mindspore.nn as nn
import mindspore.ops as ops

class ConcatLayer(nn.Cell):
    """用于特征金字塔的多维通道拼接模块"""
    def __init__(self, dimension=1):
        super().__init__()
        self.d = dimension

    def construct(self, x):
        return ops.concat(x, self.d)

class YOLOv8Neck(nn.Cell):
    """简化的多尺度特征融合Neck示意"""
    def __init__(self, channels_list):
        super().__init__()
        # channels_list 包含主干网络传来的 P3, P4, P5 特征层通道数
        self.upsample = nn.ResizeBilinear() # 上采样算子
        self.concat = ConcatLayer(dimension=1)
        # 此处省略了具体的C2f模块定义，重点展示高低层特征的流向
      
    def construct(self, p3, p4, p5):
        # 将P5上采样后与P4融合
        p5_up = self.upsample(p5, scale_factor=2)
        p4_fused = self.concat((p4, p5_up))
      
        # 继续上采样与P3融合（P3分辨率最高，对微小红绿灯目标最关键）
        p4_up = self.upsample(p4_fused, scale_factor=2)
        p3_fused = self.concat((p3, p4_up))
      
        return p3_fused, p4_fused, p5

4. 昇腾NPU混合精度加速

自动驾驶感知模型的迭代速度至关重要。利用昇腾NPU的张量计算核心，我们将模型转换为混合精度模式。这不仅能成倍加快前向和反向传播速度，还能显著降低显存占用，从而允许我们在训练时喂入更高分辨率的图像。

from mindspore.amp import auto_mixed_precision
from mindspore import nn

# 1. 实例化网络 (识别 红、绿、黄、熄灭 4种状态)
# net = YOLOv8n(num_classes=4)

# 2. 昇腾混合精度加速：开启O2级别 (除BatchNorm等保留FP32外，全网FP16)
# net = auto_mixed_precision(net, amp_level="O2")

# 3. 定义优化器与损失函数
# optimizer = nn.AdamWeightDecay(net.trainable_params(), learning_rate=1e-3, weight_decay=5e-4)
# loss_fn = YOLOv8Loss(...) # 内部集成TaskAlignedAssigner正负样本分配策略

# 4. 封装Model准备训练
# model = ms.Model(net, loss_fn=loss_fn, optimizer=optimizer)