La detección de objetivos pequeños en imágenes aéreas tomadas con drones suele verse afectada por factores como el tamaño reducido del objetivo, el entorno de fondo complejo y las limitaciones de recursos computacionales. Los modelos de detección de objetivos para drones existentes generalmente presentan problemas de precisión insuficiente y dificultades para lograr un buen equilibrio entre precisión y eficiencia de detección. Para abordar estos desafíos, este artículo propone un algoritmo mejorado de detección de objetivos pequeños basado en YOLOv11s denominado HMD-YOLO. Primero, se diseñó el módulo HR-MSCA (Atención Convolucional Multiescala de Alta Resolución), que optimiza la detección de objetivos pequeños mediante el diseño conjunto de mejora de resolución y atención convolucional multiescala; en segundo lugar, se reemplazó el muestreador ascendente original del modelo en el cuello por un muestreador ligero y eficiente llamado Litesample; además, se diseñó la función de pérdida Wise-IoU para mejorar la precisión del cuadro delimitador y el rendimiento del modelo; por último, se introdujo una cabeza de detección dinámica para mejorar aún más la precisión en la detección de objetivos pequeños. Los resultados experimentales en el conjunto de datos VisDrone2019 muestran que el modelo mejorado alcanzó 49,98 % y 30,73 % en los indicadores mAP@0.5 y mAP@0.95, respectivamente, mejorando en 12,15 % y 8,22 % en comparación con YOLO v11s. Los resultados confirman la efectividad del método propuesto. Se realizaron experimentos de generalización en el conjunto de datos TinyPerson, mostrando una mejora notable en la precisión de detección.

detección aérea con drones; reconocimiento de pequeños objetivos; YOLOv11; HMD-YOLO