A detecção de pequenos alvos em imagens aéreas de drones é frequentemente afetada por fatores como o tamanho excessivamente pequeno dos alvos, ambientes de fundo complexos e limitações nos recursos computacionais. Os modelos atuais de detecção de alvos para drones geralmente apresentam problemas de precisão e é difícil alcançar um bom equilíbrio entre a precisão e a eficiência da detecção. Para enfrentar esses desafios, este artigo propõe um algoritmo de detecção de pequenos alvos melhorado baseado no YOLOv11s — HMD-YOLO. Primeiramente, foi projetado o módulo HR-MSCA (Atenção Convolucional Multiescala de Alta Resolução), que otimiza a detecção de pequenos alvos por meio de um design conjunto de aprimoramento da resolução e atenção convolucional em múltiplas escalas; em segundo lugar, no pescoço do modelo, o amostrador original foi substituído pelo Litesample, que é leve e eficiente; além disso, foi projetada a função de perda Wise-IoU para melhorar a precisão da perda de borda e o desempenho do modelo; por fim, foi introduzida uma cabeça de detecção dinâmica para aumentar ainda mais a precisão da detecção de pequenos alvos. Os resultados experimentais no conjunto de dados VisDrone2019 mostram que o modelo aprimorado alcançou 49,98% e 30,73% nos indicadores mAP@0.5 e mAP@0.95, respectivamente, um aumento de 12,15% e 8,22% em comparação ao YOLO v11s. Os resultados experimentais validam a eficácia do método aprimorado. Experimentos de generalização no conjunto de dados TinyPerson também demonstraram melhorias significativas na precisão da detecção.

detecção aérea por drone;reconhecimento de pequenos alvos;YOLOv11;HMD-YOLO