随着车联网的发展,自动驾驶的智能与通信相结合成为主流。但是,由于车辆的能力有限,因此难以直接在车辆上实现诸如目标检测之类的智能算法。尽管一些研究建议使用边缘计算,但它仍然面临着巨大的挑战。首先,尚不清楚边缘计算在车联网中的作用。其次,由于技术和价格原因,用于车辆的物体感知装置的渗透仍然受到限制。在本文中,我们提出了一种基于移动边缘计算（MEC）的深度学习框架的目标检测框架,用于车联网（IoV）网络,其中MEC不仅用于计算检测对象,而且还用于检测对象。利用MEC实现对象的捕捉并将角度进行转换,适用于车辆角度。基于这种方式,车辆自身不需要装备任何用于物体捕获和检测的设备。所实现的系统包括四个主要部分,物体检测,特征检测,特征匹配点和估计转换模型。这项研究的目的是研究当边缘计算用于车联网的目标检测时,如何实现精确的检测和转换。在此过程中,我们成功地在MEC进行了对象检测,并基于IoV和MEC的协作,提升从边缘到车辆的物体检测转换精度。我们基于深度学习的MEC架构通过Yolo转换检测到的对象,减少IoV处理和网络瓶颈。我们应用SURF来估计变换,这最适合于在具有相同场景的两个图像之间进行平滑变换,并在IoV处获得最终且合适的图像。实验的性能表明,利用技术YOLOv3和SURF对于目标检测以及同时进行对象转换具有鲁棒性,可以实现更好的精度和对IoV角度的物体转换。