Обнаружение мелких объектов на аэрофотоснимках с беспилотных летательных аппаратов часто затрудняется такими факторами, как малый размер объектов, сложная фоновая среда и ограниченные вычислительные ресурсы. Существующие модели обнаружения объектов для БПЛА обычно имеют недостаточную точность и испытывают трудности с балансировкой между точностью и эффективностью обнаружения. Для решения этих задач в данной работе предложен улучшенный алгоритм обнаружения мелких объектов на основе YOLOv11s — HMD-YOLO. Во-первых, был разработан модуль HR-MSCA (высокоточное мульти-масштабное сверточное внимание), который оптимизирует обнаружение мелких объектов за счет совместного повышения разрешения и мульти-масштабного сверточного внимания; во-вторых, в шейной части модели оригинальный усовершенствованный апсемплер заменён легким и эффективным Litesample; кроме того, разработана функция потерь Wise-IoU для повышения точности потерь по границам и производительности модели; наконец, введена динамическая детекторная голова для дальнейшего улучшения точности обнаружения мелких объектов. Экспериментальные результаты на датасете VisDrone2019 показывают, что улучшенная модель достигает 49.98% и 30.73% по метрикам mAP@0.5 и mAP@0.95 соответственно, что выше на 12.15% и 8.22% по сравнению с YOLO v11s. Результаты подтверждают эффективность предложенного метода. Общие эксперименты на датасете TinyPerson также демонстрируют существенное улучшение точности обнаружения.

аэрофотосъемка БПЛА;распознавание мелких объектов;YOLOv11;HMD-YOLO