Die Erkennung kleiner Objekte in Drohnenluftaufnahmen ist oft von Faktoren wie zu kleinen Zielobjekten, komplexen Hintergrundumgebungen und begrenzten Rechenressourcen beeinflusst. Bestehende Drohnenerkennungsmodelle weisen häufig unzureichende Genauigkeit auf und es ist schwierig, ein gutes Gleichgewicht zwischen Erkennungsgenauigkeit und Erkennungseffizienz zu erzielen. Um diese Herausforderungen zu bewältigen, wird in dieser Arbeit ein verbessertes Algorithmus zur Erkennung kleiner Objekte basierend auf YOLOv11s — HMD-YOLO — vorgeschlagen. Zunächst wurde das HR-MSCA-Modul (High-Resolution Multi-Scale Convolutional Attention) entworfen, das die Erkennung kleiner Objekte durch die gemeinsame Gestaltung von Auflösungsverstärkung und Multi-Skalen-Faltungsaufmerksamkeit optimiert. Zweitens wurde im Hals des Modells der ursprüngliche Upsampler durch den leichten und effizienten Litesample ersetzt. Darüber hinaus wurde die Wise-IoU-Verlustfunktion entwickelt, um die Genauigkeit der Randverlustbox und die Modellleistung zu verbessern. Schließlich wurde ein dynamischer Erkennungskopf eingeführt, um die Erkennungsgenauigkeit kleiner Objekte weiter zu erhöhen. Experimentelle Ergebnisse zeigen, dass das verbesserte Modell im VisDrone2019-Datensatz bei den Metriken mAP@0.5 und mAP@0.95 Werte von 49,98 % bzw. 30,73 % erreichte, was eine Steigerung um 12,15 % bzw. 8,22 % gegenüber YOLO v11s bedeutet. Die Ergebnisse bestätigen die Effektivität der verbesserten Methode. Generalisierungsexperimente auf dem TinyPerson-Datensatz zeigen ebenfalls eine deutliche Verbesserung der Erkennungsgenauigkeit.

Drohnenluftbilddetektion; Erkennung kleiner Objekte; YOLOv11; HMD-YOLO