Обнаружение мелких объектов на аэрофотоснимках с дронов часто сталкивается с такими сложностями, как слишком маленький размер объекта, сложная фонова среда и ограниченные вычислительные ресурсы. Существующие модели обнаружения объектов на дронах обычно обладают недостаточной точностью и испытывают трудности с балансировкой между точностью и эффективностью обнаружения. Для решения этих проблем в данной статье предложен улучшенный алгоритм обнаружения мелких объектов HMD-YOLO на базе YOLOv11s. Во-первых, был разработан модуль HR-MSCA (Многоуровневое сверточное внимание высокой четкости), который улучшает обнаружение мелких объектов за счёт совместного использования повышения разрешения и многоуровневого сверточного внимания. Во-вторых, в шейку модели был введён лёгкий и эффективный апсемплер LiteSample вместо оригинального. Кроме того, была разработана функция потерь Wise-IoU для повышения точности границ и производительности модели. Наконец, внедрена динамическая голова детекции, которая дополнительно улучшает точность обнаружения мелких объектов. Экспериментальные результаты на датасете VisDrone2019 показали, что улучшенная модель достигла 49,98% и 30,73% по метрикам mAP@0.5 и mAP@0.95 соответственно, что на 12,15% и 8,22% выше по сравнению с YOLO v11s. Результаты подтверждают эффективность усовершенствованного метода. Обобщающие эксперименты на датасете TinyPerson показали значительное улучшение точности обнаружения.

аэрофотосъёмка дронов; обнаружение мелких объектов; YOLOv11; HMD-YOLO