基于改进YOLO的交通违规行为检测系统：从数据增强到轻量化部署摘要随着智能交通系统的快速发展，基于视觉的违规行为检测成为城市管理的重要技术手段。本文针对交通场景中的违规行为检测问题，提出了一套完整的解决方案，涵盖数据集构建、图像增强、轻量化网络设计和损失函数优化。采用Construction-PPE等公开数据集，结合双稳随机共振理论进行低照度图像增强，引入FasterNet轻量化骨干网络替代传统YOLO的CSP结构，并设计了融合CA注意力机制的特征提取模块。针对类别不平衡问题，采用Focal Loss与WIoU联合优化策略。实验结果表明，改进后的模型在保持实时性的同时，对头盔佩戴检测、违规越线检测、禁行区驶入三类违规行为的平均检测精度达到89.7%，模型参数量压缩至原YOLOv8n的76%。本文提供完整的代码实现与详细解释，为交通违规检测系统的工程落地提供参考。关键词：YOLO算法；交通违规检测；图像增强；轻量化网络；注意力机制1 引言1.1 研究背景与意义城市交通管理面临着日益增长的监控需求与有限的人力资源之间的矛盾。传统的交通违规监控主要依赖人工查看监控视频，不仅效率低下，而且容易因疲劳导致漏检。随着深度学习技术的成熟，基于计算机视觉的自动违规检测系统成为解决这一问题的有效途径。交通违规行为检测面临三大技术挑战：第一，复杂光照条件，包括夜间低照度、逆光、阴影等场景，导致目标特征减弱；第二，移动端部署需求，监控设备往往计算资源有限，要求模型轻量化；第三，类