La détection de petites cibles dans les images aériennes de drones est souvent affectée par des facteurs tels que la petite taille de la cible, la complexité de l’arrière-plan et les ressources informatiques limitées. Les modèles existants de détection d’objets pour drones souffrent généralement d’un manque de précision et il est difficile de trouver un bon équilibre entre précision et efficacité de détection. Pour relever ces défis, cet article propose un algorithme de détection de petites cibles amélioré basé sur YOLOv11s — HMD-YOLO. Premièrement, un module HR-MSCA (attention convolutionnelle multi-échelle haute résolution) a été conçu, optimisant la détection des petites cibles grâce à une combinaison de renforcement de la résolution et d’attention convolutionnelle multi-échelle ; deuxièmement, un suréchantillonneur léger et efficace, Litesample, remplace le suréchantillonneur d’origine dans le cou du modèle ; en outre, une fonction de perte Wise-IoU a été conçue pour améliorer la précision des pertes de bord et les performances du modèle ; enfin, une tête de détection dynamique a été introduite pour renforcer davantage la précision de détection des petites cibles. Les résultats expérimentaux sur le jeu de données VisDrone2019 montrent que le modèle amélioré atteint 49,98 % et 30,73 % pour mAP@0.5 et mAP@0.95 respectivement, soit une augmentation de 12,15 % et 8,22 % par rapport à YOLO v11s. Ces résultats confirment l’efficacité de la méthode proposée. Des expérimentations de généralisation sur le jeu de données TinyPerson ont également montré une amélioration notable de la précision de détection.

détection aérienne par drone;reconnaissance de petites cibles;YOLOv11;HMD-YOLO