Die Erkennung kleiner Objekte in Luftbildern von Drohnen wird häufig durch Faktoren wie zu kleine Objektgröße, komplexe Hintergrundumgebungen und begrenzte Rechenressourcen beeinträchtigt. Bestehende Drohnenerkennungsmodelle weisen häufig eine unzureichende Genauigkeit auf, und es ist schwierig, ein gutes Gleichgewicht zwischen Erkennungsgenauigkeit und -effizienz zu erreichen. Um diesen Herausforderungen zu begegnen, schlägt dieser Artikel einen auf YOLOv11s verbesserten Algorithmus zur Erkennung kleiner Objekte vor — HMD-YOLO. Zunächst wurde das HR-MSCA-Modul (Hochauflösende Multi-Skalen Faltung-Attention) entwickelt, das durch die gemeinsame Gestaltung von Auflösungsverbesserung und Multi-Skalen Faltungsaufmerksamkeit die Erkennung kleiner Objekte optimiert; zweitens wurde im Halsbereich des Modells der ursprüngliche Upsampler durch den leichten und effizienten Litesample ersetzt; darüber hinaus wurde die Wise-IoU-Verlustfunktion entwickelt, um die Genauigkeit des Randverlusts und die Modellleistung zu verbessern; schließlich wurde ein dynamischer Detektionskopf eingeführt, um die Erkennungsgenauigkeit kleiner Objekte weiter zu erhöhen. Die experimentellen Ergebnisse auf dem VisDrone2019-Datensatz zeigen, dass das verbesserte Modell 49,98 % und 30,73 % bei mAP@0.5 und mAP@0.95 erreicht, was einer Steigerung von 12,15 % bzw. 8,22 % gegenüber YOLO v11s entspricht. Die Ergebnisse bestätigen die Wirksamkeit der Verbesserungsmethode. Generalisierungsexperimente auf dem TinyPerson-Datensatz zeigten ebenfalls eine deutliche Verbesserung der Erkennungsgenauigkeit.

Drohnenluftbild-Erkennung;Erkennung kleiner Objekte;YOLOv11;HMD-YOLO