来源：期刊VIP网 时间：
作者：孙畅;刘海隆;宋梦微;杨锦民;
单位：电子科技大学资源与环境学院;
摘要：针对现有菜品识别算法存在推理速度慢、参数量大，以及难以部署到资源受限的边缘计算设备上等问题，提出一种基于YOLOv11n的轻量化MD-YOLOv11模型。通过利用MobileNetV4融合主干网络，加速主干网络特征提取；设计精简金字塔网络，构建轻量化C3k2-SNv2模块，提高颈部特征融合的效率；简化检测头结构，提升推理速度；引入MPDIoU损失函数，提升模型边界框收敛速度及检测精度。试验结果表明，MD-YOLOv11模型在菜品数据集上的均值平均精度mAP@0.5=98.55%，当同样部署于树莓派边缘计算设备时，相较于基准模型，MD-YOLOv11在维持精度的同时，检测时间缩短64.58%，参数量下降54.83%，计算量下降73.85%，满足菜品实时检测的现实要求。研究对面向边缘计算的菜品实时识别方法和系统建设具有参考意义。
关键词：深度学习;;YOLOv11;;菜品识别;;轻量化;;边缘计算
基金资助：国家重点研发计划项目(2025YFE0102800);; 新疆维吾尔自治区科技计划项目(2025E01030)
