1.一种融合Transformer机制的交通标志检测方法，其特征在于，包括如下步骤：

步骤1、基于YOLOv5，在深层主干网中加入Trans，根据Transformer机制，设计结合图像全局特征的编码模块Trans；构建的Trans包含两个子层，第一层是一个多头注意力层，第二层是一个全连接层MLP，同时在输入输出端用残差连接相连；其中，多头注意力层Multi‑head Attention是Trans的核心层，由多个不同的自注意力集成，多头注意力的每一个分支都有不同的Q，K，V，其中Q表示查询的数据的具体属性，K表示正在被查询的数据的关键字索引，V表示查询出来的具体数据内容，Q、K、V均通过图像矩阵线性变化得到，最终经过自注意力机制得到的加权之后的注意力权重的计算公式如（1）所示：是Q和K的长度，用作比例因子，缓解引入softmax函数可能带来的梯度消失问题，在对 Q 和 K 进行内积以获得相似性表示后，通过 softmax 获得权重，最后作用于 V 以获得最终输出；

步骤2、利用GhostConv代替普通卷积模块搭建特征融合网络，通过GhostConv轻量便捷的线性操作轻量化冗余特征的提取过程，释放计算力和内存占用；

步骤3、设计精简的解耦检测头Slim Decoupled Head，将分类与回归任务分开解析，加强网络模型的输出能力。

2.如权利要求1所述的融合Transformer机制的交通标志检测方法，其特征在于，步骤2中，在特征融合阶段搭建GhostConv模块，通过轻量便捷的操作轻量化特征提取过程中，降低冗余特征的内存占用具体为：使用深度可分离卷积作为线性操作来搭建GhostConv模块，假定输入特征图的尺寸为 ，卷积核的尺寸为 ，padding为1，数量为N，普通卷积的总计算量为：

深度可分离卷积的总计算分为两部分，一部分是深度卷积的计算，公式如（3）所示：

另一个是逐点卷积的计算，公式如（4）所示：

计算总量如（5）所示：

深度可分离卷积与普通卷积的比率如等式（6）所示：

深度分类可卷积的计算参数远小于正常卷积的计算参数，并且，在深度可分离卷积操作中，使用5×5大小的卷积核进行卷积操作，扩大感受野范围，包含更丰富的上下文信息；

通过1×1卷积来处理 通道的特征信息，保留输入特征的绝大部分原始的特征信息，另外通道则是通过深度可分离卷积进行特征提取，轻量化冗余特征的提取过程，最后通过级联操作，将两个分支提取出的特征层进行合并输出，得到最终的输出特征层。

3.如权利要求1所述的融合Transformer机制的交通标志检测方法，其特征在于，步骤3中，设计Slim Decoupled Head解析输出结果具体为：精简的解耦检测头将分类任务与回归任务分开，拥有三个输出检测头，分别为：分类输出class_output、回归输出regression_output和目标输出object_output；首先通过一个1×1的卷积层来降低通道的维度，然后是两个平行的子网，其中class_output属于分类子网，预测目标框内物体的类别，regression_output和object_output属于回归子网，其中regression_output针对目标框的坐标信息（x，y，w，h）进行检测，object_output判断框定的目标框中是前景还是背景；在class_output检测分支中采用全连接检测头，在另外两个检测分支中采用卷积检测头，最后将三个输出检测头经过concat操作融合到一起，得到最终的输出结果。