En este artículo, proponemos una red mejorada de detección de objetivos de conducción autónoma basada en YOLOv8 para mejorar el rendimiento de detección de objetos de los vehículos autónomos. Para superar las Limitations (alto costo, vulnerabilidad a las condiciones climáticas y de iluminación, y limitaciones de resolución) de las técnicas existentes de detección de objetos basadas en radar, cámara y redes de sensores de vehículos, integramos la reparametrización estructural, un modelo de red piramidal bidireccional y una novedosa tubería de detección en el marco YOLOv8. El método propuesto detecta de manera eficiente y precisa objetos de varios tamaños, tamaños pequeños y largas distancias, y logra una precisión de detección del 65% en el experimento, lo que representa una mejora con respecto a los métodos existentes. Es especialmente efectivo en la detección de objetivos únicos y objetos pequeños, y es adecuado para competiciones de conducción autónoma como la Fórmula Estudiantil Autónoma de China (FSAC).
