当前位置：首页 > news >正文

无人机小目标检测封神！改进 YOLOv11n：精度暴涨 + 参数大减，边缘部署真香

news 2026/5/10 20:32:57

点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12887013/pdf/41598_2026_Article_35301.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

无人机航拍视觉检测，正成为安防、交通、搜救、农业的核心能力。但高空小目标多、边缘算力弱、雾天看不清三大痛点，一直卡着行业脖子。

本文直接把 YOLOv11n 改到极致：小目标更强、模型更轻、雾天更稳，实测碾压原版，边缘设备跑得飞起！

PART/1

痛点

无人机检测到底难在哪？

小目标扎堆：60%–80% 目标＜32×32 像素，细节少、易漏检
边缘算力受限：机载芯片性能弱，大模型跑不动
复杂环境拉胯：振动、光照突变、雾天模糊，准确率暴跌
传统 YOLO 短板：小目标特征丢失、检测头冗余、跨尺度融合不足

PART/2

创新

硬核创新：三大模块，把 YOLOv11n 彻底升级

本文提出一套轻量化 + 高精度的改进 YOLOv11 框架，三大核心创新：

1. MSEAF 多尺度边缘自适应模块

替换主干 C3K2，5 分支多尺度特征提取
强化边缘信息，精准抓小目标弱特征
自适应加权，过滤背景噪声

【MSEAF 模块详细结构】

2. 重构 Neck + 新增 P2 小目标检测头

加入ScalCat、Scal3DC优化跨尺度融合
新增 P2 头（4× 下采样），保留超高分辨率细节
解决小目标多次下采样后 “消失” 问题

【三种 Neck 结构对比（原版 / 加 P2 / 本文方案）】

3. SRepD 共享重参数化检测头

统一 4 个头为 256 通道，算力分配更合理
DEConv 重参数卷积：训练强、推理快、体积小
大幅降低计算冗余，提升小目标特征表达

【SRepD 检测头结构】

PART/3

实验

实测炸裂：三大数据集全面领跑

作者在VisDrone2019、TinyPerson、HazyDet三大权威数据集疯狂验证，结果直接封神！

1. VisDrone2019（无人机主流基准）

mAP50：31.1%，比基线 **+4.6%**
Precision：42.7%，+4.6%
参数：2.36M，-8.5%
小目标 APs：8.5%，+2.9%

【VisDrone2019 各模块消融实验】

【检测效果热力图对比（漏检明显减少）】

2. TinyPerson（超小行人专属）

mAP50：27.1%，+5.9%
Precision：43.5%，+5.6%
仅用 YOLOv11s25% 参数，精度反超3.8%

【TinyPerson 数据集结果】

3. HazyDet（雾天无人机专用）

雾天场景依旧稳：mAP5069.3%
比原版 YOLOv11n 全面领先，抗干扰拉满

【HazyDet 雾天数据集对比】

4. 边缘部署实测（华为 Atlas 200 DK）

FPS：80.2，满足实时性
内存：100.3MB，极低占用
精度大幅提升，算力仅小幅增加，性价比无敌

【边缘设备实时性能对比】

PART/4

总结

价值总结：小目标检测新标杆

这套改进 YOLOv11n真正打破 “精度–参数量” 死平衡：✅ 小目标检测大幅增强✅ 模型更轻，参数 - 8.5%✅ 雾天 / 复杂场景鲁棒性拉满✅ 边缘设备完美部署✅ 安防、交通、搜救、农业全场景适用

一句话：无人机小目标检测，这篇直接抄作业就行！

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐

🔗