تتأثر عملية الكشف عن الأهداف الصغيرة في صور الطائرات بدون طيار بعوامل مثل صغر حجم الهدف، وتعقيد البيئة الخلفية، وقيود الموارد الحاسوبية. تعاني نماذج كشف الأهداف الحالية للطائرات بدون طيار من نقص في الدقة، ويصعب تحقيق توازن جيد بين دقة الكشف وكفاءته. لمواجهة هذه التحديات، قدم هذا البحث خوارزمية كشف أهداف صغيرة محسنة مبنية على YOLOv11s تُسمى HMD-YOLO. أولاً، تم تصميم وحدة HR-MSCA (الاهتمام التلافيفي متعدد المقاييس عالي الدقة) التي تحقق تحسينات في الكشف عن الأهداف الصغيرة من خلال تعزيز الدقة وتعاون الانتباه التلافيفي متعدد المقاييس؛ ثانياً، تم استبدال جهاز الرفع في رقبة النموذج بجهاز رفع خفيف وفعال يُدعى Litesample؛ بالإضافة إلى ذلك، تم تصميم دالة خسارة Wise-IoU لتحسين دقة إطارات الحدود وأداء النموذج؛ وأخيراً، تم إدخال رأس كشف ديناميكي لتعزيز دقة الكشف عن الأهداف الصغيرة. أظهرت النتائج التجريبية على مجموعة بيانات VisDrone2019 أن النموذج المحسن حقق 49.98% و30.73% على مقياسي mAP@0.5 و mAP@0.95، بزيادة قدرها 12.15% و8.22% مقارنة بـ YOLO v11s. تؤكد النتائج فعالية الطريقة المحسنة. أجريت تجارب تعميم على مجموعة بيانات TinyPerson، وأظهرت النتائج تحسنًا واضحًا في دقة الكشف.

كشف الطائرات بدون طيار; التعرف على الأهداف الصغيرة; YOLOv11; HMD-YOLO