La détection de petits objets dans les images aériennes par drone est souvent affectée par des facteurs tels que la trop 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 il est difficile d’équilibrer efficacement la précision et l’efficacité de la détection. Pour relever ces défis, cet article propose un algorithme de détection de petits objets amélioré basé sur YOLOv11s — HMD-YOLO. Tout d’abord, un module HR-MSCA (Attention Convolution Multi-échelle Haute Résolution) a été conçu, optimisant la détection de petits objets via la combinaison de l’amélioration de la résolution et de l’attention convolution multi-échelle. Ensuite, un sur-échantillonneur léger et efficace, LiteSample, remplace le sur-échantillonneur original dans la partie centrale du modèle. En outre, une fonction de perte Wise-IoU a été conçue pour améliorer la précision des cadres de perte aux limites et les performances du modèle. Enfin, une tête de détection dynamique est introduite pour renforcer davantage la précision de la détection des petits objets par le modèle. Les résultats expérimentaux sur le jeu de données VisDrone2019 montrent que le modèle amélioré atteint 49,98 % et 30,73 % sur les indicateurs mAP@0.5 et mAP@0.95, soit une amélioration de 12,15 % et 8,22 % par rapport à YOLO v11s. Les résultats valident l’efficacité de la méthode améliorée. Des expériences de généralisation ont également été réalisées sur le jeu de données TinyPerson, avec des améliorations claires de la précision de détection.

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