La detección de pequeños objetivos en imágenes aéreas de drones a menudo se ve afectada por factores como el tamaño excesivamente pequeño del objetivo, entornos de fondo complejos y limitaciones de recursos computacionales. Los modelos actuales de detección de objetivos en drones generalmente presentan problemas de precisión y es difícil lograr un buen equilibrio entre precisión y eficiencia de detección. Para abordar estos desafíos, este artículo propone un algoritmo de detección de pequeños objetivos mejorado basado en YOLOv11s — HMD-YOLO. Primero, se diseñó el módulo HR-MSCA (Atención Convolucional Multiescala de Alta Resolución), que optimiza la detección de pequeños objetivos mediante un diseño conjunto de mejora de resolución y atención convolucional multi-escala; segundo, en la parte posterior del modelo se reemplazó el sobremuestreador original por uno ligero y eficiente llamado Litesample; además, se diseñó una función de pérdida Wise-IoU para mejorar la precisión de la pérdida de los bordes y el rendimiento del modelo; finalmente, se introdujo una cabeza de detección dinámica para aumentar aún más la precisión en la detección de pequeños objetivos. Los resultados experimentales en el conjunto de datos VisDrone2019 muestran que el modelo mejorado alcanzó un 49,98% y 30,73% en mAP@0.5 y mAP@0.95 respectivamente, con mejoras del 12,15% y 8,22% en comparación con YOLO v11s. Los resultados experimentales validan la efectividad del método mejorado. Se realizaron experimentos de generalización en el conjunto de datos TinyPerson, mostrando una mejora significativa en la precisión de detección.

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