针对密集遮挡场景下行人检测的实时性需求与特征退化问题,提出了RG-YOLO(reinforced group you only look once)轻量化检测框架,通过三重创新实现精度与效率的协同优化:1)设计GSConv异构卷积核组,通过跨组跳连机制在保持85%通道交互能力的前提下降低了71.2%的计算负载。2)构建VoV-GSCSP动态分组模块,依据特征图尺度自适应调整分组策略,提升遮挡目标18.7%的特征区分度。3)开发级联式CBAM-SPPF注意力机制,通过双路径融合增强遮挡区域的上下文建模能力在WiderPerson和CrowdHuman数据集上的对比实验结果表明:在输入像素分辨率为640×640的情况下,本模型的mAP@0.5值达到83.6%,较YOLOv5s提升了9.3%;同时将计算量压缩至2.8 GFLOPs,在Jetson Nano嵌入式平台实现了27.3 fps的实时检测。消融实验结果表明:GSConv在密集遮挡子集上使误检率降低了21.4%。