1.一种基于上下文感知局部增强的轻量级目标检测方法，其特征在于，包括以下步骤：

（1）构建目标检测的数据集，并将数据集分为训练集和验证集；

（2）对基于YOLOv8的 backbone进行改进，并建立改进的模型；具体为：backbone总共分为5层，第一层为Conv stem，由四个3×3的卷积构成，卷积的Stride分别为2,2,1,1，padding为1；第二层到第四层为Ultra‑Effificient Block；其中Ultra‑Effificient Block为sandwish布局；最后一层包括一个全局平均池化和一个全连接的层；sandwish布局共分为三层包括：ConvFFN层、CAConv层、ConvFFN层；具体包括以下步骤：（21）对于第一层ConvFFN层具体操作如下：首先将输入图像通过一个convolution stem来进行特征提取，得到对应于待处理图像的特征图F1；进一步进行特征处理，F1通过BN层，紧接着进入第一个FC层、RELU；其次，进行一个步幅为1的DWConv操作；接着进入第二个FC层，得到F2，然后与F1进行add操作得到F3，提升特征图信息量，并提高模型分辨能力；

（22）对于第二层CAConv层具体操作如下：CAConv采用双分支结构，第一个分支提取局部表示；第二个分支使用上下文感知权重来增强局部特征；具体如下：F3通过FC层，经过线性变换得到Query查询、Key键、Value值三组向量，第一个分支对Query和Key进行处理，Query和Key分别进入DWConv层，然后通过一个卷积算子Mul乘，然后进入第二个FC层，接着通过一个Swish激活函数进入第三个FC层，再经过一个Tanh激活函数，生成范围在 [‑1,1] 之间的上下文感知权重；第二个分支首先使用深度可分离卷积DWConv对Value进行处理，提取局部表示，其中 DWConv 具有共享权重，将得到的结果与第一个分支得到的结果经过一个卷积算子Mul进行计算，再将生成的结果通过一个全局平均池化GAP与F3进行add操作得到F4，然后送入到下一个ConvFFN模块；

（23）对于第三层ConvFFN层具体操作如下：对特征图F4进一步进行特征提取，首先通过一个BN层进行特征选择，随后经过FC层，RELU激活函数，再进行一个stride为2的深度可分离卷积（DWConv）操作，随后经过FC层得到F5，支路中对特征图F4进行stride=2的深度可分离卷积操作，收集局部空间信息特征扩展到深层特征，再通过BN层加速网络收敛，控制过拟合，最后经过一个FC层得到F6，与F5进行add操作得到特征图F7，去除区分度比较低的组合特征达到降维目的;（3）将改进的YOLOv8目标检测模型进行剪枝；

（4）将训练集输入到改进的YOLOv8网络模型中得到最佳权重，最后验证集输入网络中，输出检测结果。

2.根据权利要求1所述的一种基于上下文感知局部增强的轻量级目标检测方法，其特征在于，所述步骤（1）具体为：选用VisDrone2019数据集，共包含十个类，分别为：'pedestrian'、  'people'、  'bicycle'、 'car'、  'van'、'truck'、  'tricycle'、 'awning‑tricycle'、'bus'、 'motor'。

3.根据权利要求1所述的一种基于上下文感知局部增强的轻量级目标检测方法，其特征在于，所述步骤（3）具体如下：通过Dependcy Graph方法对改进的YOLOv8目标检测模型进行剪枝操作。

4.一种基于上下文感知局部增强的轻量级目标检测系统，其特征在于，采用权利要求

1‑3任一项所述的方法实现，包括：

数据集构建模块：用于构建目标检测的数据集，并将数据集分为训练集和验证集；

改进及模型构建模块：用于对基于YOLOv8的 backbone进行改进，并建立改进的模型；

剪枝模块：用于将改进的YOLOv8目标检测模型进行剪枝；

测试模块：用于将训练集输入到改进的YOLOv8网络模型中得到最佳权重，最后验证集输入网络中，输出检测结果。

5.根据权利要求4所述的一种基于上下文感知局部增强的轻量级目标检测系统，其特征在于，数据集构建模块中，选用VisDrone2019数据集，共包含十个类，分别为：'pedestrian'、  'people'、  'bicycle'、 'car'、  'van'、'truck'、  'tricycle'、 'awning‑tricycle'、'bus'、 'motor'。

6.根据权利要求4所述的一种基于上下文感知局部增强的轻量级目标检测系统，其特征在于，改进及模型构建模块中，所述backbone总共分为5层，第一层为Conv stem，由四个3×3的卷积构成，卷积的Stride分别为2,2,1,1，padding为1；第二层到第四层为Ultra‑Effificient Block；其中Ultra‑Effificient Block为sandwish布局；最后一层包括一个全局平均池化和一个全连接的层。

7.根据权利要求6所述的一种基于上下文感知局部增强的轻量级目标检测系统，其特征在于，改进及模型构建模块中，所述sandwish布局共分为三层包括：ConvFFN层、CAConv层、ConvFFN层；具体包括以下步骤：（S1）对于第一层ConvFFN层具体操作如下：首先将输入图像通过一个convolution stem来进行特征提取，得到对应于待处理图像的特征图F1；进一步进行特征处理，F1通过BN层，紧接着进入第一个FC层、RELU；其次，进行一个步幅为1的DWConv操作；接着进入第二个FC层，得到F2，然后与F1进行add操作得到F3，提升特征图信息量，并提高模型分辨能力；

（S2）对于第二层CAConv层具体操作如下：CAConv采用双分支结构，第一个分支提取局部表示；第二个分支使用上下文感知权重来增强局部特征；具体如下：F3通过FC层，经过线性变换得到Query查询、Key键、Value值三组向量，第一个分支对Query和Key进行处理，Query和Key分别进入DWConv层，然后通过一个卷积算子Mul相乘，然后进入第二个FC层，接着通过一个Swish激活函数进入第三个FC层，再经过一个Tanh激活函数，生成范围在 [‑1,1] 之间的上下文感知权重；第二个分支首先使用深度可分离卷积DWConv对Value进行处理，提取局部表示，其中 DWConv 具有共享权重，将得到的结果与第一个分支得到的结果经过一个卷积算子Mul进行计算，再将生成的结果通过一个全局平均池化GAP与F3进行add操作得到F4，然后送入到下一个ConvFFN模块；

（S3）对于第三层ConvFFN层具体操作如下：对特征图F4进一步进行特征提取，首先通过一个BN层进行特征选择，随后经过FC层，RELU激活函数，再进行一个stride为2的深度可分离卷积（DWConv）操作，随后经过FC层得到F5，支路中对特征图F4进行stride=2的深度可分离卷积操作，收集局部空间信息特征扩展到深层特征，再通过BN层加速网络收敛，控制过拟合，最后经过一个FC层得到F6，与F5进行add操作得到特征图F7，去除区分度比较低的组合特征达到降维目的。

8.根据权利要求4所述的一种基于上下文感知局部增强的轻量级目标检测系统，其特征在于，剪枝模块中，通过Dependcy Graph方法对改进的YOLOv8目标检测模型进行剪枝操作。