基于改进YOLOv5的无人机航拍小目标检测算法研究

摘要

无人机航拍图像中的小目标检测一直是计算机视觉领域的难点问题。本文针对YOLOv5在无人机航拍场景下小目标检测精度低、漏检率高的问题，提出了一系列改进方案。通过在网络结构中增加小目标检测层、引入注意力机制CBAM、优化损失函数CIoU以及数据增强策略，显著提升了模型对小目标的检测能力。实验结果表明，改进后的算法在VisDrone数据集上的mAP@0.5达到了46.2%，相比原始YOLOv5提升了8.7个百分点。本文将详细介绍改进思路、代码实现和训练技巧，并给出完整可复现的代码。

关键词：YOLOv5；小目标检测；无人机航拍；注意力机制；多尺度检测

一、引言

1.1 研究背景

随着无人机技术的快速发展，无人机航拍在安防监控、农业植保、交通巡检、灾害救援等领域得到了广泛应用。在这些应用场景中，对小目标的精确检测往往至关重要。例如，在交通巡检中需要识别远处的车辆和行人，在灾害救援中需要发现被困人员，这些目标在航拍图像中通常只占据几十甚至几个像素。

然而，由于无人机飞行高度较高、拍摄视角特殊、目标尺度变化大，传统目标检测算法难以取得令人满意的效果。YOLOv5作为目前最流行的单阶段目标检测算法之一，在常规目标检测任务中表现优异，但在处理航拍小目标时仍然面临诸多挑战。

1.2 小目标检测的难点

1. 特征信息不足：小目标在图像中像素占比小，经过多次下采样后特征几乎消失

2. 正负样本不平衡：小目标数量多但每个目标的锚框少，容易造成漏检