La detección de pequeños objetivos en imágenes aéreas tomadas por drones suele verse afectada por factores como el tamaño demasiado pequeño del objetivo, un entorno de fondo complejo y recursos computacionales limitados. Los modelos actuales de detección de objetivos para drones generalmente presentan problemas de precisión y hay dificultad para lograr un buen equilibrio entre la precisión y la eficiencia de la detección. Para hacer frente a estos desafíos, este artículo propone un algoritmo mejorado de detección de pequeños objetivos basado en YOLOv11s — HMD-YOLO. En primer lugar, se diseñó el módulo HR-MSCA (Atención Convolucional Multiescala de Alta Resolución), que optimiza la detección de pequeños objetivos mediante el diseño conjunto de aumento de resolución y atención convolucional multiescala. En segundo lugar, en el cuello del modelo se reemplazó el upsampler original por el ligero y eficiente Litesample. Además, se diseñó la función de pérdida Wise-IoU para mejorar la precisión del marco de pérdida de borde y el rendimiento del modelo. Finalmente, se introdujo una cabeza de detección dinámica para fortalecer aún más la precisión en la detección de pequeños objetivos del modelo. Los resultados experimentales muestran que, en el conjunto de datos VisDrone2019, el modelo mejorado alcanzó un 49,98 % y 30,73 % en los indicadores mAP@0.5 y mAP@0.95, lo que supone una mejora del 12,15 % y 8,22 % en comparación con YOLO v11s. Los resultados validan la eficacia del método mejorado. Se realizaron experimentos de generalización en el conjunto de datos TinyPerson, con una mejora evidente en la precisión de la detección.

detección aérea por dron; reconocimiento de pequeños objetivos; YOLOv11; HMD-YOLO