本文所采用的实验数据集是由加州大学柏克莱分校AI实验室(BAIR)于2018年发布的 [9] 。数据集中的视频从美国各地采集而来，内容涵盖了不同时段、不同天气状况(包括晴天、阴天、雨天，也包括白天、晚上不同时段)，同时还包含了驾驶场景。数据集中，道路目标检测是在10万张图片上标有2D边框，包括公交车，交通灯，交通指示牌，人，自行车，汽车等多个目标种。

实验中将数据集按比例7:2:1分为训练集、验证集和测试集，其中训练集2800张，验证集800张，测试集400张。数据集示例如 图3 所示。

在每组实验中，我们均使用尺寸为640 × 640的输入图像，并将批量大小设置为5，在每一次训练迭代中，模型将同时处理5张这样的图像。训练的迭代次数为250轮，确保模型能够充分学习并优化其性能。三组实验的环境参数如 表1 所示。

本文选取精准率P (Precision, P)、召回率R (Recall)以及均值平均精度mAP (mean Average Precision, mAP)作为评估指标 [9] 。其中P表示自动驾驶过程中前方障碍物被准确识别出的概率。各个指标的数学定义及运算公式可进行重点阐述如下：

1) 精准率P。其值可以由如下公式计算得出：

$\text{Precision}=\frac{TP}{TP+FP}$

2) 召回率R。召回率越高，准确率越低。其值可以由如下公式计算得出：

$\text{Recall}=\frac{TP}{TP+FN}$

3) 均值平均精度mAP。其值可以由如下公式计算得出：

$\text{mAP}={\displaystyle \underset{0}{\overset{1}{\int }}\text{Precision}\times \text{Recalldr}}$

其中TP表示自动驾驶时前方障碍物识别成障碍物的个数，FP表示非自动驾驶时的前方障碍物识别成前方障碍物的个数，FN表示自动驾驶时未识别出来的前方障碍物个数。

在实验过程中，为了验证本文改进的模型相对于其他主流的模型有更优秀的目标检测能力，分别将改进后的CBAM-YOLOv7模型与YOLOv7和YOLOv5两种常见的主流模型在同一自动驾驶数据集上进行对比，具体的实验数据如 表2 所示。

由 表2 可以看出本文改进后的模型相对于其他两个模型在精准率P上分别提升了2%和6.9%，在均值平均精度mAP上分别提升了5.6%和9.6%。数据参数上的明显提升说明了改进后的模型无论是从精准率、召回率还是均值平均精度都优于其他两种，因此本文选用改进后的CBAM-YOLOv7模型进行检测，使自动驾驶的车辆更好的对目标进行精准检测。

在选择CBAM-YOLOv7作为检测模型后，为了进一步提高检测精度，还根据特征提取层中注意力机制CBAM添加位置的不同进行了细致的对比实验，如 图4 所示。

图4. 注意力机制CBAM添加的不同位置

图4 所示的三个不同的添加位置对应着三个不同的CBAM-YOLOv7模型，其检测精度以及每个目标种类的MAP值也各不相同， 表3 所示为三个实验数据集的评估结果。

从 表3 的实验结果可以看出来，注意力机制CBAM添加在位置一时，各个目标种类的mAP值都有较为明显的提升。本文采用该方法添加CBAM注意力机制，得到改进后的模型，其中相对于原模型，精准率P提升2.5%，均值平均精度mAP提升5.6%，改进后的模型性能评估指标如 图5 所示。

从 图5 中的指标可以看出，精准率Precision、召回率Recall和均值平均精度mAP@0.5在训练初期增长效果明显，在200次后曲线图像相对稳定，体现出改进后的模型对该实验数据集训练的效果较好。使用改进后的CBAM-YOLOv7模型对实验数据集的训练集和验证集进行测试，其中的一部分测试结果如 图6 所示，从图中可以看出，改进后的CBAM-YOLOv7模型在自动驾驶时对前方障碍物目标的识别率较高，也可以准确地将目标分类到所属类别中。总之，改进后的CBAM-YOLOv7模型在自动驾驶的目标检测方面已经具有较好的检测性能。