La détection de petits objets dans les images aériennes par drone fait face à des défis tels que la petite taille des cibles, la complexité de l'arrière-plan et les ressources informatiques limitées. Les modèles actuels de détection d'objets par drone ont généralement une précision faible et peinent à trouver un bon équilibre entre précision de détection et efficacité. Pour résoudre ces problèmes, cet article propose un algorithme léger de détection de petits objets amélioré basé sur YOLO11, nommé ACFI-YOLO11 (Interaction des caractéristiques entre couches basée sur l’attention - YOLO11). Premièrement, une branche Tiny Head a été conçue pour renforcer la capacité du modèle à percevoir de très petits objets en introduisant des cartes de caractéristiques à plus haute résolution ; deuxièmement, un module novateur d’interaction d’informations inter-couches basé sur l’attention, ACFI, a été proposé. Basé sur un module d’agrégation des caractéristiques de couche (Layer Feature Aggregation, LFA) et un encodeur Transformer, il réalise un échange direct d’informations entre les caractéristiques de la couche courante et celles des deux couches adjacentes, compensant la faiblesse du réseau du cou du modèle original qui ne transmet les caractéristiques que couche par couche en se focalisant uniquement sur la couche précédente et ne parvenant pas à exploiter pleinement la corrélation entre les caractéristiques inter-couches, améliorant ainsi la capacité de représentation du modèle. Enfin, une convolution SPD (Space-to-Depth) a été introduite pour remplacer la convolution traditionnelle, réduisant le nombre de paramètres et la charge de calcul du modèle tout en conservant les informations spatiales importantes lors du sous-échantillonnage, ce qui améliore la précision de détection des petits objets. Les résultats expérimentaux sur le dataset VisDrone2021 montrent que ACFI-YOLO11 améliore respectivement de 4,2%, 3,5%, 5,2% et 4,0% les métriques AP_S, AP_XS, mAP_50 et mAP_50-95 par rapport à YOLO11s, avec une mAP_50-95 meilleure de 31,7% que les autres algorithmes comparés. De plus, les expériences comparatives sur le dataset UAVDT ont confirmé la supériorité de ACFI-YOLO11, avec un mAP_50-95 atteignant 83,3%, nettement supérieur aux autres algorithmes avancés. Ces résultats montrent que ACFI-YOLO11 améliore significativement les performances de détection tout en réalisant la légèreté du modèle, offrant une solution efficace et pratique pour la détection de petits objets dans les images aériennes de drones.

détection de petits objets; drone; YOLO11; fusion de caractéristiques; Transformer