A detecção de pequenos alvos em imagens aéreas de drones enfrenta desafios como o tamanho reduzido dos alvos, fundos complexos e recursos computacionais limitados. A maioria dos modelos atuais de detecção de alvos para drones apresenta baixa precisão e dificuldade em equilibrar bem a precisão e a eficiência da detecção. Para resolver esses problemas, este artigo propõe um algoritmo leve de detecção de pequenos alvos baseado em uma versão aprimorada do YOLO11, chamado ACFI-YOLO11 (Interação de características entre camadas baseada em atenção - YOLO11). Primeiro, um ramo Tiny Head foi projetado para melhorar a capacidade do modelo de perceber alvos muito pequenos, por meio da introdução de mapas de características com resolução mais alta; em segundo lugar, um novo módulo de interação de informações entre camadas baseado em atenção, o ACFI, foi proposto. Baseado no módulo de agregação de características da camada (Layer Feature Aggregation, LFA) e no codificador Transformer, realiza a interação direta de informações entre as características da camada atual e as duas camadas adjacentes, compensando a deficiência do modelo original na rede do pescoço, que transmite características camada por camada e só foca na camada anterior, sem explorar suficientemente a correlação entre características entre camadas, melhorando a capacidade de representação do modelo; por fim, a convolução SPD (Space-to-Depth) foi introduzida para substituir a convolução tradicional, reduzindo o número de parâmetros do modelo e o custo computacional, ao mesmo tempo que preserva informações espaciais importantes durante o downsampling, aumentando a precisão na detecção de pequenos alvos. Resultados experimentais no conjunto de dados VisDrone2021 mostram que o ACFI-YOLO11 obteve melhorias de 4,2%, 3,5%, 5,2% e 4,0% em AP_S, AP_XS, mAP_50 e mAP_50-95, respectivamente, em comparação ao YOLO11s, com o mAP_50-95 superando outros algoritmos de comparação em 31,7%. Além disso, experimentos comparativos no conjunto de dados UAVDT validaram ainda mais a superioridade do ACFI-YOLO11, com um mAP_50-95 de 83,3%, significativamente melhor do que outros algoritmos avançados. Os resultados experimentais demonstram que o ACFI-YOLO11 melhora significativamente o desempenho da detecção, ao mesmo tempo que atinge a leveza do modelo, oferecendo uma solução eficiente e prática para a detecção de pequenos alvos em imagens aéreas de drones.

detecção de pequenos alvos; drone; YOLO11; fusão de características; Transformer