为解决煤矿井下无人驾驶电机车由于光照不均、高噪声等复杂环境因素导致的多目标检测精度低及小目标识别困难问题，提出一种基于SD-YOLOv5s-4L的煤矿井下无人驾驶电机车多目标检测模型。在YOLOv5s基础上进行以下改进，构建SD-YOLOv5s-4L网络模型：引入SIoU损失函数来解决真实框与预测框方向不匹配的问题，使得模型可以更好地学习目标的位置信息；在YOLOv5s头部引入解耦头，增强网络模型的特征融合与定位准确性，使得模型可以快速捕捉目标的多尺度特征；引入小目标检测层，将原三尺度检测层增至四尺度，以增强模型对小目标的特征提取能力和检测精度。在矿井电机车多目标检测数据集上进行实验，结果表明：SD-YOLOv5s-4L网络模型对各类目标的平均检测精度（mAP）为97.9%，对于小目标的平均检测精度（AP）为98.9%，相较于YOLOv5s网络模型分别提升了5.2%与9.8%；与YOLOv7，YOLOv8等其他网络模型相比，SD-YOLOv5s-4L网络模型综合检测性能最佳，可以为实现矿井电机车无人驾驶提供技术支撑。

0 引言
1 YOLOv5s模型及其改进策略
1.1 YOLOv5s的网络结构
1.2 YOLOv5s改进策略
1.2.1 损失函数改进
1.2.2 解耦头
1.2.3 小目标检测层
2 实验与分析
2.1数据集创建
2.2 实验环境及评价指标
2.2.1 实验环境
2.2.2 评价指标
2.3实验结果分析
2.3.1 不同网络模型检测效果对比
2.3.2 消融实验
2.3.3 对比实验
3 结论