Wild small object detection algorithm based on improved YOLO11n

WANG Cen; WANG Caixia; LIU Peng

doi:10.3724/CJLCD.2026-0108

您当前的位置：

首页 >

文章列表页 >

Wild small object detection algorithm based on improved YOLO11n

Image Processing | 更新时间：2026-09-16

- Wild small object detection algorithm based on improved YOLO11n
- Chinese Journal of Liquid Crystals and Displays Vol. 41, Issue 8, Pages: 1144-1157(2026)
- 作者机构：
  
  长春理工大学电子信息工程学院，吉林长春 130022
- 作者简介：
- 基金信息：
  
  Jilin Provincial Science and Technology Development Plan Project(20250102228JC)
- DOI：10.3724/CJLCD.2026-0108
  CLC： TP391.4
- CSTR：32172.14.CJLCD.2026-0108
- Received：16 June 2026，
  
  Revised：2026-07-15，
  
  Published：05 August 2026
- 稿件说明：
移动端阅览
WANG Cen, WANG Caixia, LIU Peng. Wild small object detection algorithm based on improved YOLO11n[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(8): 1144-1157.
DOI：

WANG Cen, WANG Caixia, LIU Peng. Wild small object detection algorithm based on improved YOLO11n[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(8): 1144-1157. DOI： 10.3724/CJLCD.2026-0108. CSTR： 32172.14.CJLCD.2026-0108.

摘要

针对野外环境中目标尺度小、纹理信息弱、背景干扰复杂以及边界框定位偏差明显等问题，提出一种基于改进YOLO11n的野外小目标检测算法。首先，引入自适应亚像素上采样（ASU）模块，通过亚像素重排和注意力掩码，增强小目标边缘和纹理细节特征；其次，引入多尺度显著性增强模块（MultiSEM），通过多尺度空洞卷积和双池化通道注意力，增强小目标区域响应并抑制复杂背景干扰；最后，构建显著性指数交并比损失函数SE-CIoU，通过引入中心距离指数惩罚和遮挡感知形状约束，提高小目标检测的定位精度和稳定性。实验结果表明，在自建WDD数据集上，改进算法的精度、召回率和mAP@0.5分别为88.8%、91.4%和94.0%，较YOLO11n基准网络算法分别提高0.6%、6.6%和3.3%；在iWildCam2022-Small数据集上进行的泛化实验表明，mAP@0.5达到64.5%，较YOLO11n提高3.7%。所提算法能够在保持轻量化检测框架的基础上，有效增强野外小目标的细节表达、显著性响应和边界框定位能力，提高复杂野外场景下小目标检测精度，并具备一定泛化能力。

Abstract

To address the problems of small target scale， weak texture information， complex background interference， and obvious bounding-box localization deviation in wild environments， an improved YOLO11n-based algorithm for wild small object detection is proposed. First， an adaptive sub-pixel upsampling（ASU） module is introduced to enhance feature fusion for small objects. Through sub-pixel rearrangement and attention masks， ASU strengthens the representation of edge and texture details， thereby reducing the loss of fine-grained information during upsampling. Second， a multi-scale saliency enhancement module（MultiSEM） is introduced before the detection head. By using multi-scale dilated convolutions， the module extracts spatial features under different receptive fields， and dual-pooling channel attention is further used to enhance the response of small target regions while suppressing interference from complex backgrounds. Finally， a saliency-exponential Complete Intersection over Union loss function（SE-CIoU） is constructed for bounding-box regression. By introducing a center-distance exponential penalty and occlusion-aware shape constraints， SE-CIoU strengthens the position and shape constraints between predicted boxes and ground-truth boxes， thus improving the localization accuracy and stability of small object detection. Experimental results show that， on the self-built WDD dataset， the improved algorithm achieves a precision of 88.8%， a recall of 91.4%， and an mAP@0.5 of 94.0%， which are 0.6， 6.6， and 3.3 percentage points higher than those of the YOLO11n baseline network algorithm， respectively. Generalization experiments on the iWildCam2022-Small dataset show that the mAP@0.5 reaches 64.5%， which is 3.7 percentage points higher than that of YOLO11n. The results indicate that the proposed algorithm can effectively enhance detail representation， saliency response， and bounding-box localization ability for wild small objects while maintaining a lightweight detection framework. Therefore， the improved YOLO11n algorithm improves small object detection accuracy in complex wild scenes and shows certain generalization ability.

关键词

Keywords

references

谢英江 . 基于图像融合的野外复杂自然环境人体目标检测算法研究［D］. 北京：军事科学院， 2025 ．

XIE Y J . Research on human object detection algorithm for complex natural environment in the wilderness based on image fusion ［D］. Beijing ： Academy of Military Science ， 2025 . （in Chinese）

王子航，蔡云飞 . 基于灰度共生算法的野外环境下高草检测［J］. 计算机与数字工程， 2025 ， 53 （ 9 ）： 2621 - 2626，2640 ．

WANG Z H ， CAI Y F . Detection of tall grass in field environment based on gray level co-occurrence algorithm ［J］. Computer and Digital Engineering ， 2025 ， 53 （ 9 ）： 2621 - 2626， 2640 . （in Chinese）

江泽涛，施道权，雷晓春，等 . 一种基于Night-YOLOX的低照度目标检测方法［J］. 电子学报， 2023 ， 51 （ 10 ）： 2821 - 2830 ．

JIANG Z T ， SHI D Q ， LEI X C ， et al . A low-illumination object detection method based on Night-YOLOX ［J］. Acta Electronica Sinica ， 2023 ， 51 （ 10 ）： 2821 - 2830 . （in Chinese）

MUZAMMUL M ， LI X . Comprehensive review of deep learning-based tiny object detection： challenges， strategies， and future directions ［J］. Knowledge and Information Systems ， 2025 ， 67 （ 5 ）： 3825 - 3913 . doi: 10.1007/s10115-025-02375-9 http://dx.doi.org/10.1007/s10115-025-02375-9

ALDUBAIKHI A ， PATEL S . Advancements in small-object detection （2023—2025）： approaches， datasets， benchmarks， applications， and practical guidance ［J］. Applied Sciences ， 2025 ， 15 （ 22 ）： 11882 . doi: 10.3390/app152211882 http://dx.doi.org/10.3390/app152211882

张志豪，厉小润，陈淑涵 . 基于改进YOLO11的无人机航拍图像小目标检测算法［J］. 液晶与显示， 2025 ， 40 （ 6 ）： 915 - 930 ． doi: 10.37188/cjlcd.2025-0010 http://dx.doi.org/10.37188/cjlcd.2025-0010

ZHANG Z H ， LI X R ， CHEN S H . Small object detection algorithm in UAV aerial images based on improved YOLO11 ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 6 ）： 915 - 930 . （in Chinese） . doi: 10.37188/cjlcd.2025-0010 http://dx.doi.org/10.37188/cjlcd.2025-0010

ZHANG X ， DU B Y ， JIA Y X ， et al . MSD-YOLO11n： an improved small target detection model for high precision UAV aerial imagery ［J］. Journal of King Saud University Computer and Information Sciences ， 2025 ， 37 （ 5 ）： 100 . doi: 10.1007/s44443-025-00116-0 http://dx.doi.org/10.1007/s44443-025-00116-0

曾子豪，刘鹏，邓文娟，等 . 基于改进YOLO11n的导电粒子目标检测算法［J］. 液晶与显示， 2025 ， 40 （ 12 ）： 1853 - 1867 ． doi: 10.37188/cjlcd.2025-0178 http://dx.doi.org/10.37188/cjlcd.2025-0178

ZENG Z H ， LIU P ， DENG W J ， et al . Conductive particle target detection algorithm based on improved YOLO11n ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 12 ）： 1853 - 1867 . （in Chinese） . doi: 10.37188/cjlcd.2025-0178 http://dx.doi.org/10.37188/cjlcd.2025-0178

杨晓敏，杨军 . 超轻量化SAR影像小目标检测网络［J］. 光学精密工程， 2025 ， 33 （ 10 ）： 1672 - 1690 ．

YANG X M ， YANG J . Ultra lightweight SAR image small object detection network ［J］. Optics and Precision Engineering ， 2025 ， 33 （ 10 ）： 1672 - 1690 . （in Chinese）

YAN H M ， KONG X B ， SHIMADA T ， et al . TOE-YOLO： accurate and efficient detection of tiny objects in UAV imagery ［J］. Journal of Real-Time Image Processing ， 2025 ， 22 （ 6 ）： 194 . doi: 10.1007/s11554-025-01770-3 http://dx.doi.org/10.1007/s11554-025-01770-3

LIU W Z ， LU H ， FU H T ， et al . Learning to upsample by learning to sample ［C］. 2023 IEEE/CVF International Conference on Computer Vision （ICCV） . Paris ： IEEE ， 2023 ： 6004 - 6014 . doi: 10.1109/iccv51070.2023.00554 http://dx.doi.org/10.1109/iccv51070.2023.00554

SHI W Z ， CABALLERO J ， HUSZÁR F ， et al . Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR） . Las Vegas ： IEEE ， 2016 ： 1874 - 1883 . doi: 10.1109/cvpr.2016.207 http://dx.doi.org/10.1109/cvpr.2016.207

MA Z B ， DONG Y Q ， XIA Y ， et al . Wildlife real-time detection in complex forest scenes based on YOLOv5s deep learning network ［J］. Remote Sensing ， 2024 ， 16 （ 8 ）： 1350 . doi: 10.3390/rs16081350 http://dx.doi.org/10.3390/rs16081350

YANG W H ， LIU T Y ， JIANG P ， et al . A forest wildlife detection algorithm based on improved YOLOv5s ［J］. Animals ， 2023 ， 13 （ 19 ）： 3134 . doi: 10.3390/ani13193134 http://dx.doi.org/10.3390/ani13193134

卢汉，崔博伦，万华洋，等 . 半监督式野生动物夜间目标端到端检测［J］. 光学精密工程， 2025 ， 33 （ 5 ）： 789 - 801 ． doi: 10.37188/ope.20253305.0789 http://dx.doi.org/10.37188/ope.20253305.0789

LU H ， CUI B L ， WAN H Y ， et al . End-to-end recognition of nighttime wildlife based on semi-supervised learning ［J］. Optics and Precision Engineering ， 2025 ， 33 （ 5 ）： 789 - 801 . （in Chinese） . doi: 10.37188/ope.20253305.0789 http://dx.doi.org/10.37188/ope.20253305.0789

DU Z J ， WU D S ， WEN Q Q ， et al . An improved lightweight model for protected wildlife detection in camera trap images ［J］. Sensors ， 2025 ， 25 （ 23 ）： 7331 . doi: 10.3390/s25237331 http://dx.doi.org/10.3390/s25237331

ZHU Y T ， ZHAO Y X ， HE Y X ， et al . YOLO-WildASM： an object detection algorithm for protected wildlife ［J］. Animals ， 2025 ， 15 （ 18 ）： 2699 . doi: 10.3390/ani15182699 http://dx.doi.org/10.3390/ani15182699

LIU C ， WANG P ， GONG Y P ， et al . YOLO-WL： a lightweight and efficient framework for UAV-based wildlife detection ［J］. Sensors ， 2026 ， 26 （ 3 ）： 790 . doi: 10.3390/s26030790 http://dx.doi.org/10.3390/s26030790

CHEN L L ， LI G ， ZHANG S K ， et al . YOLO-SAG： an improved wildlife object detection algorithm based on YOLOv8n ［J］. Ecological Informatics ， 2024 ， 83 ： 102791 .

WOO S ， PARK J ， LEE J Y ， et al . CBAM： convolutional block attention module ［C］. 15th European Conference on Computer Vision . Munich ： Springer ， 2018 ： 3 - 19 . doi: 10.1007/978-3-030-01234-2_1 http://dx.doi.org/10.1007/978-3-030-01234-2_1

ZHENG Z H ， WANG P ， REN D W ， et al . Enhancing geometric factors in model learning and inference for object detection and instance segmentation ［J］. IEEE Transactions on Cybernetics ， 2022 ， 52 （ 8 ）： 8574 - 8586 . doi: 10.1109/tcyb.2021.3095305 http://dx.doi.org/10.1109/tcyb.2021.3095305

SAPKOTA R ， FLORES-CALERO M ， QURESHI R ， et al . YOLO advances to its genesis： a decadal and comprehensive review of the You Only Look Once （YOLO） series ［J］. Artificial Intelligence Review ， 2025 ， 58 （ 9 ）： 274 . doi: 10.1007/s10462-025-11253-3 http://dx.doi.org/10.1007/s10462-025-11253-3

KHANAM R ， HUSSAIN M . YOLOv11： an overview of the key architectural enhancements ［J/OL］. arXiv ， 2024 ： 2410 . 17725 . doi: 10.3390/solar5010006 http://dx.doi.org/10.3390/solar5010006

BEERY S ， VAN HORN G ， PERONA P . Recognition in terra incognita ［C］. 15th European Conference on Computer Vision . Munich ： Springer ， 2018 ： 472 - 489 . doi: 10.1007/978-3-030-01270-0_28 http://dx.doi.org/10.1007/978-3-030-01270-0_28

KOH P W ， SAGAWA S ， MARKLUND H ， et al . WILDS： a benchmark of in-the-wild distribution shifts ［C］. Proceedings of the 38th International Conference on Machine Learning . Online ： PMLR ， 2021 ： 5637 - 5664 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Wild small object detection algorithm based on improved YOLO11n

Object detection algorithm based on adaptive focal CRIoU loss

Object detection method based on CIoU improved bounding box loss function

Classification of pulmonary tuberculosis images based on multi-view attention fusion

Lightweight detection of foreign objects on road surfaces in challenging driving environments

Related Author

LIU Peng

XIAO Zhen-jiu

ZHAO Hao-ze

ZHANG Li-li

XIA Yu

GUO Jie-long

YU Hui

LI Cheng-long

Related Institution

College of Software Engineering， Liaoning Technical University

Air Ammunition Research Institute Co. Ltd.， NORINCO Group， Haerbin

Shanghai Institute of Aerospace System Engineer

Quanzhou Institute of Equipment Manufacturing， Haixi Institutes， Chinese Academy of Sciences

College of Information Science and Engineering， Wuhan University of Science and Technology

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China 130033 Postal code：130033
Tel：0431-86176059 Email：yjxs@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰