Die Erkennung kleiner Objekte in Drohnen-Luftbildern wird häufig durch Faktoren wie die zu geringe Objektgröße, komplexe Hintergrundumgebungen und begrenzte Rechenressourcen beeinträchtigt. Vorhandene Drohnen-Objekterkennungsmodelle weisen oft unzureichende Genauigkeit auf und es ist schwierig, ein gutes Gleichgewicht zwischen Erkennungsgenauigkeit und -effizienz zu erreichen. Um diese Herausforderungen zu bewältigen, wird in diesem Artikel ein verbesserter Algorithmus zur Erkennung kleiner Objekte auf Basis von YOLOv11s namens HMD-YOLO vorgeschlagen. Zunächst wurde das HR-MSCA-Modul (High-Resolution Multi-Scale Convolutional Attention) entworfen, das die Erkennung kleiner Objekte durch eine Kombination aus Auflösungssteigerung und mehrskaliger Faltungsaufmerksamkeit optimiert; zweitens wurde im Hals des Modells der ursprüngliche Upsampler durch den leichten und effizienten Upsampler Litesample ersetzt; zudem wurde die Wise-IoU-Verlustfunktion entwickelt, um die Genauigkeit der Begrenzungsrahmen und die Modellleistung zu verbessern; schließlich wurde ein dynamischer Erkennungskopf eingeführt, um die Erkennungsgenauigkeit kleiner Objekte weiter zu erhöhen. Die Experimente auf dem VisDrone2019-Datensatz zeigen, dass das verbesserte Modell auf den mAP@0,5 und mAP@0,95 Indikatoren Werte von 49,98 % bzw. 30,73 % erreicht, was eine Steigerung von 12,15 % bzw. 8,22 % im Vergleich zu YOLO v11s bedeutet. Die Ergebnisse bestätigen die Effektivität der Verbesserungsmethode. Generalisierungsexperimente wurden auf dem TinyPerson-Datensatz durchgeführt, die eine deutliche Verbesserung der Erkennungsgenauigkeit zeigten.

Drohnen-Luftbild-Erkennung; Kleinzielerkennung; YOLOv11; HMD-YOLO