La détection des petits objets dans les images aériennes de drones est souvent affectée par des facteurs tels que la petite taille des cibles, la complexité de l'environnement de fond et les ressources informatiques limitées. Les modèles actuels de détection d'objets pour drones souffrent généralement d'un manque de précision et ont du mal à atteindre un bon équilibre entre précision et efficacité de détection. Pour relever ces défis, cet article propose un algorithme de détection de petits objets amélioré basé sur YOLOv11s, nommé HMD-YOLO. Tout d'abord, un module HR-MSCA (attention convolutionnelle multi-échelle à haute résolution) est conçu, optimisant la détection de petits objets grâce à une combinaison d'amélioration de la résolution et d'attention convolutionnelle multi-échelle ; ensuite, un sur-échantillonneur léger et efficace nommé Litesample remplace le sur-échantillonneur original dans le cou du modèle ; en outre, une fonction de perte Wise-IoU est conçue pour améliorer la précision des cadres de délimitation et les performances du modèle ; enfin, une tête de détection dynamique est introduite pour renforcer davantage la précision de détection des petits objets. Les résultats expérimentaux montrent que sur le jeu de données VisDrone2019, le modèle amélioré atteint 49,98 % et 30,73 % en mAP@0.5 et mAP@0.95, soit une amélioration de 12,15 % et 8,22 % par rapport à YOLO v11s. Les résultats confirment l'efficacité de la méthode proposée. Des expériences de généralisation ont été menées sur le jeu de données TinyPerson, montrant une amélioration significative de la précision de détection.

détection aérienne par drone; reconnaissance de petits objets; YOLOv11; HMD-YOLO