Face aux problèmes de détection manquée et de fausse détection causés par la densité élevée et la petite taille des petits objets ainsi que le fond complexe dans les images aériennes par drone, cet article propose un algorithme amélioré de détection MCF-YOLO basé sur YOLOv11n. Premièrement, un module d'amélioration des caractéristiques des petits objets MSFE a été conçu, qui renforce l'expression des caractéristiques des petits objets en conservant une haute résolution, en approfondissant les couches convolutives et en introduisant des connexions résiduelles ; deuxièmement, une attention aux ancres contextuelles (CAA) a été introduite dans le module C3k2, utilisant des convolutions séparées horizontalement et verticalement pour capturer les dépendances spatiales à longue distance, améliorant ainsi la perception du contexte global et résolvant les problèmes d'interférences de fond et d'occultation des cibles ; enfin, une fonction de perte Focaler-DIoU a été utilisée, introduisant un mécanisme d'ajustement dynamique des poids d'échantillons pour optimiser le processus de régression des boîtes de délimitation, améliorant ainsi la précision de localisation des petits objets et réduisant les faux négatifs et faux positifs. Les résultats expérimentaux montrent que l'algorithme amélioré sur le jeu de données VisDrone2019 améliore la précision, le rappel, mAP@0.5 et mAP@0.5∶0.95 de 6,8 %, 3,2 %, 6,6 % et 3,9 % respectivement par rapport au modèle de base YOLOv11n, surpassant significativement les autres méthodes dominantes. De plus, lors des tests de généralisation sur les jeux de données VEDAI et DOTA, le mAP@0.5 du modèle a augmenté de 1,2 % et 2,2 % respectivement, démontrant l'efficacité et la bonne adaptabilité de la méthode proposée dans différents scénarios.

apprentissage profond;drone;détection de petits objets;YOLOv11n;amélioration des caractéristiques