摘要：为应对常见交通标志检测方法在光照条件不佳、捕获远距离小目标、复杂背景等情况下检测精度及模型计算效率不足的问题,提出一种改进的YOLOv5s算法,命名为BMGE-YOLOv5s。所提方法将YOLOv5s的原始骨干网络替换为BoTNet (bottleneck Transformer network),设计轻量化网络C3GBneckv2,引入GhostNetv2 bottleneck和高效的通道注意力机制,显著增强模型对交通标志的特征提取能力并降低参数量。为进一步提高对边界框的定位精度,采用MPDIoU损失函数进行优化。实验结果表明,改进后的网络模型在交并比阈值为0.5时的平均精度均值为93.1%,在同一数据集下相较基准模型提升3.3百分点,浮点运算数比基准模型减少9.375%,参数量减少~26.03%,检测速度提升~67.40%。所提算法有效平衡了鲁棒性和实时性,相比传统方法具有明显的性能优势。