1.一种基于YOLOv8网络的目标检测方法，其特征在于，包括：

采集待检测区域的实时监测图像，将实时监测图像输入至预先训练好的目标检测模型，获得目标检测结果；

所述目标检测模型的训练过程包括：

收集历史检测图像并进行预处理获得训练图像，构建训练数据集；所述训练图像包含目标真实标签；利用训练数据集对目标检测模型进行训练，所述目标检测模型包括特征提取网络CSPDarknet53、注意力机制模块SimAM、加强特征提取网络PAN‑FPN、EFB模块和检测层；

将训练图像输入至所述特征提取网络CSPDarknet53获得不同尺寸的特征图P1、特征图P2和特征图P3，包括：所述特征提取网络CSPDarknet53包括卷积模块CBS、第一残差模块、第二残差模块、第三残差模块、第四残差模块和SimSPPF模块；所述第一残差模块、第二残差模块、第三残差模块、第四残差模块由单个卷积模块CBS和特征融合模块C2F组成；将所述训练图像输入特征提取网络CSPDarknet53，依次经过卷积模块CBS、第一残差模块、第二残差模块、第三残差模块、第四残差模块和SimSPPF模块处理后，分别由第二残差模块、第三残差模块和SimSPPF模块输出所述特征图P1、特征图P2和特征图P3；

利用注意力机制模块SimAM对特征图P1、特征图P2和特征图P3进行处理后获得特征图、特征图 和特征图 ；将特征图 、特征图 、特征图 和特征图P3输入至加强特征提取网络PAN‑FPN输出特征图T1、特征图T2和特征图T3；将特征图T1、特征图T2和特征图T3依次经过EFB模块和检测层处理后分别输出训练检测结果；包括：将特征图T1、特征图T2和特征图T3作为EFB模块的输入特征图，通过1×1的卷积核做通道的扩展，通过归一化层和Mish激活函数层处理，利用单个3×3大小的深度卷积提取高通道的特征，然后再通过归一化层、Mish激活函数层以及1×1的卷积核输出EFB模块的中间特征图；将EFB模块的输入特征图和中间特征图进行特征叠加获得EFB模块的输出特征图，获得特征图 、特征图 和特征图 ；

将特征图 分别经过单个卷积模块CBS和Conv‑reg‑max模块、单个卷积模块CBS和Conv‑num‑class模块处理后进行特征融合输出第一级尺寸的训练检测结果；

将特征图 分别经过单个卷积模块CBS和Conv‑reg‑max模块、单个卷积模块CBS和Conv‑num‑class模块处理后进行特征融合输出第二级尺寸的训练检测结果；

将特征图 分别经过单个卷积模块CBS和Conv‑reg‑max模块、单个卷积模块CBS和Conv‑num‑class模块处理后进行特征融合输出第三级尺寸的训练检测结果；

根据训练检测结果和目标真实标签计算预测损失，并利用预测损失对目标检测模型进行优化，重复迭代直至达到设定的迭代次数输出训练好的目标检测模型。

2.根据权利要求1所述基于YOLOv8网络的目标检测方法，其特征在于，利用注意力机制模块SimAM对特征图P1、特征图P2和特征图P3进行处理，表达公式为： ；

公式中，X为注意力机制模块SimAM的输入特征图，所述输入特征图为特征图P1、特征图P2和特征图P3；E为注意力机制模块SimAM的特征图所有神经元值 的集合；

的表达式如下：

 ；

其中，为输入特征张量的其他神经元；为正则化系数，和 为中间变量。

3.根据权利要求1所述基于YOLOv8网络的目标检测方法，其特征在于，将特征图 、特征图 、特征图 和特征图P3输入至加强特征提取网络PAN‑FPN输出特征图T1、特征图T2和特征图T3的方法包括：将所述特征图P3并行上采样后与特征图 进行特征堆叠形成特征图R1；对特征图R1经过特征融合模块C2F和并行上采样后，与特征图 特征堆叠形成特征图R2；通过特征融合模块C2F对特征图R2输出特征图T1；

将特征图T1依次进过单个卷积模块CBS和特征融合模块C2F处理后输出特征图T2；通过单个卷积模块CBS对特征图T2处理后，与特征图 进行特征堆叠获得特征图R3；由单个特征融合模块C2F对特征图R3输出特征图T3。

4.根据权利要求1至3任一项所述基于YOLOv8网络的目标检测方法，其特征在于，所述卷积模块CBS包括3×3 的二维卷积、归一化层和激活函数；所述卷积模块CBS的步长设置为

2；

激活函数设置为SiLU函数，表达公式为：

 ；

其中，x表示输入SiLU函数的特征值。

5.根据权利要求1或权利要求3所述基于YOLOv8网络的目标检测方法，其特征在于，特征融合模块C2F包括Split操作单元和n个串行的Bottleneck单元；通过Split操作单元将输入特征融合模块C2F的特征图的通道维度分成两半，再使用n个串行的Bottleneck单元处理，将最后的Bottleneck单元处理的特征图与之前Bottleneck单元处理的特征图进行Concat操作，并经过单个CBS模块处理输出特征图，其作为特征融合模块C2F的输出特征图。

6.根据权利要求1至5任一项所述一种基于YOLOv8网络的目标检测方法的应用系统，其特征在于，包括：监测模块，用于采集待检测区域的实时监测图像，将实时监测图像输入至预先训练好的目标检测模型，获得目标检测结果；

训练模块，用于收集历史检测图像并进行预处理获得训练图像，构建训练数据集；所述训练图像包含目标真实标签；利用训练数据集对目标检测模型进行训练，所述目标检测模型包括特征提取网络CSPDarknet53、注意力机制模块SimAM、加强特征提取网络PAN‑FPN、EFB模块和检测层；

特征提取模块，用于将训练图像输入至所述特征提取网络CSPDarknet53获得不同尺寸的特征图P1、特征图P2和特征图P3；利用注意力机制模块SimAM对特征图P1、特征图P2和特征图P3进行处理后获得特征图 、特征图 和特征图 ；将特征图 、特征图 、特征图 和特征图P3输入至加强特征提取网络PAN‑FPN输出特征图T1、特征图T2和特征图T3；

优化迭代模块，用于将特征图T1、特征图T2和特征图T3依次经过EFB模块和检测层处理后分别输出训练检测结果；根据训练检测结果和目标真实标签计算预测损失，并利用预测损失对目标检测模型进行优化，重复迭代直至达到设定的迭代次数输出训练好的目标检测模型。

7.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至权利要求5任一项所述目标检测方法的步骤。