基于改进YOLO11n的野外小目标检测算法

王岑; 王彩霞; 刘鹏

doi:10.3724/CJLCD.2026-0108

您当前的位置：

首页 >

文章列表页 >

基于改进YOLO11n的野外小目标检测算法

图像处理 | 更新时间：2026-09-16

- 基于改进YOLO11n的野外小目标检测算法
- Wild small object detection algorithm based on improved YOLO11n
- 液晶与显示 2026年41卷第8期页码：1144-1157
- 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：
  
  王岑，女，硕士研究生，2021年于西南科技大学获得学士学位，主要从事深度学习、目标检测方面的研究。E-mail： 572438182@qq.com
  王彩霞，女，博士，副教授，2009年于长春理工大学获得博士学位，主要从事光电检测、机器视觉与嵌入式图像处理等方面的研究。E-mail：wcxhao@sina.com
- 基金信息：
  
  吉林省科技发展计划项目(20250102228JC)
- DOI：10.3724/CJLCD.2026-0108
  中图分类号： TP391.4
- CSTR：32172.14.CJLCD.2026-0108
- 收稿：2026-06-16，
  
  修回：2026-07-15，
  
  纸质出版：2026-08-05
- 稿件说明：
移动端阅览
王岑, 王彩霞, 刘鹏. 基于改进YOLO11n的野外小目标检测算法[J]. 液晶与显示, 2026,41(8):1144-1157.

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.
王岑, 王彩霞, 刘鹏. 基于改进YOLO11n的野外小目标检测算法[J]. 液晶与显示, 2026,41(8):1144-1157. DOI： 10.3724/CJLCD.2026-0108. CSTR： 32172.14.CJLCD.2026-0108.

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 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进YOLO11n的野外小目标检测算法

基于自适应聚焦CRIoU损失的目标检测算法

基于CIoU改进边界框损失函数的目标检测方法

基于ZYNQ与YOLO26n的PCB缺陷检测

基于偏振激光直写光取向的液晶几何相位平面光学元件