Обнаружение мелких объектов на аэрофотоснимках с беспилотников часто затруднено из-за слишком маленького размера объектов, сложной фоновой среды и ограниченных вычислительных ресурсов. Существующие модели обнаружения целей для беспилотников обычно имеют недостаточную точность и испытывают трудности с балансировкой между точностью и эффективностью обнаружения. Для решения этих проблем в данной работе предложен улучшенный алгоритм обнаружения мелких объектов на основе YOLOv11s — HMD-YOLO. Во-первых, разработан модуль HR-MSCA (многомасштабное сверточное внимание высокого разрешения), который оптимизирует обнаружение мелких объектов за счет повышения разрешения и совместного применения многомасштабного свёрточного внимания; во-вторых, в шейной части модели оригинальный аппсэмплер заменён лёгким и эффективным Litesample; кроме того, разработана функция потерь Wise-IoU для повышения точности рамок границ и производительности модели; наконец, введена динамическая детекционная голова для дальнейшего улучшения точности обнаружения мелких объектов. Экспериментальные результаты на датасете VisDrone2019 показали, что улучшенная модель достигла 49.98% и 30.73% по mAP@0.5 и mAP@0.95 соответственно, что на 12.15% и 8.22% выше по сравнению с YOLO v11s. Результаты экспериментов подтвердили эффективность предложенного метода. На датасете TinyPerson проведены обобщающие эксперименты, показавшие заметное улучшение точности обнаружения.

обнаружение беспилотника; распознавание мелких объектов; YOLOv11; HMD-YOLO