La detección de pequeños objetos en imágenes aéreas de drones enfrenta desafíos como el tamaño reducido de los objetivos, fondos complejos y recursos computacionales limitados. Los modelos actuales de detección de objetivos para drones suelen tener baja precisión y dificultad para lograr un buen equilibrio entre precisión y eficiencia de detección. Para abordar estos problemas, este artículo propone un algoritmo ligero mejorado de detección de pequeños objetos basado en YOLO11 denominado ACFI-YOLO11 (Interacción de características entre capas basada en atención - YOLO11). Primero, se diseñó una rama Tiny Head que, mediante la introducción de mapas de características de mayor resolución, mejora la capacidad del modelo para percibir objetivos muy pequeños; segundo, se propuso un novedoso módulo de interacción de información entre capas basado en atención, ACFI, que, basado en el módulo de agregación de características de capa (Layer Feature Aggregation, LFA) y un codificador Transformer, realiza la interacción directa de información entre las características de la capa actual y las dos capas adyacentes, compensando la deficiencia de la red original del cuello del modelo que solo transmite las características capa por capa enfocándose en la capa anterior y sin explotar suficientemente la correlación entre características de diferentes capas, mejorando la capacidad de representación del modelo; por último, se introdujo una convolución SPD (Space-to-Depth) que reemplaza a la convolución tradicional, reduciendo la cantidad de parámetros y cálculos del modelo, mientras conserva la información espacial importante durante el submuestreo, mejorando la precisión en la detección de pequeños objetos. Los resultados experimentales en el conjunto de datos VisDrone2021 muestran que ACFI-YOLO11 alcanzó mejoras del 4.2%, 3.5%, 5.2% y 4.0% en AP_S, AP_XS, mAP_50 y mAP_50-95 respectivamente, comparado con YOLO11s, y que la mAP_50-95 superó a otros algoritmos de comparación alcanzando un 31.7%. Además, los experimentos comparativos en el conjunto de datos UAVDT validaron aún más la superioridad de ACFI-YOLO11, con un mAP_50-95 del 83.3%, significativamente mejor que otros algoritmos avanzados. Los resultados experimentales indican que ACFI-YOLO11 mejora significativamente el rendimiento de detección mientras logra la ligereza del modelo, ofreciendo una solución eficiente y práctica para la detección de pequeños objetos en imágenes aéreas de drones.

detección de pequeños objetos; drones; YOLO11; fusión de características; Transformer