用于无人机影像小目标检测的增强型 YOLOv11n：更高精度、更少参数

为什么从空中识别微小目标很重要

小型无人飞行器正迅速进入日常生活，从交通监测和灾害救援到包裹投递。但存在一个棘手的问题：当无人机从数百米高空俯瞰时，行人、汽车和船只会缩小到只有几个像素。常规计算机视觉系统常常漏检这些微小目标，或将它们与背景杂波混淆。本文提出了对流行检测系统 YOLOv11n 的更聪明、更轻量化的改进，专门针对无人机图像中的微小目标进行优化，同时仍能在轻量级机载计算平台上高效运行。

在微小、模糊细节中看得更清楚

无人机影像对算法来说是苛刻的环境。大多数目标小于 32×32 像素，很多甚至不足 16 像素。运动、振动、光照变化、霾以及复杂的城市背景都使这些微小目标更难区分。同时，无人机常依赖性能有限的处理器和受限的能耗，因而大型模型不可行。作者以紧凑的实时检测器 YOLOv11n 为起点，重新设计其内部组件，从小而低对比度的区域中挤出更多有用信息，而不会使模型臃肿。他们的目标简单但要求很高：在小目标上显著提高精度，同时保持相同或更少的可学习参数，并在边缘硬件上保持可接受的速度。

从多尺度场景中学习

第一个改进集中在网络如何“观察”场景。新提出的多尺度边缘特征自适应选择（MSEAF）模块不是通过单一固定尺寸窗口查看，而是同时在多个尺度上观察图像。粗略视角捕捉道路、建筑和人群的整体布局，而更精细的视角则跟踪单辆汽车或个体行人。边缘增强步骤强调那些在微小图像块中容易被冲淡的边界和形状。随后一个智能融合机制提升最具信息量的区域，同时抑制背景噪声。这种多尺度、边缘感知的表示为网络其余部分提供了更丰富的起点，有助于发现难以察觉的目标。

在网络传递中保留小目标信息

传统的 YOLO 网络在信息从输入到输出传递时会反复缩小特征图。对大目标来说这没问题，但对微小目标可能是致命的：经过多次下采样后，一个行人在内部特征图上可能只占据一两个像素，甚至完全消失。为防止这种情况，作者重塑了网络中间的“颈部”结构，并新增了一个在更高分辨率特征上工作的 P2 检测头。名为 ScalCat 与 Scal3DC 的自定义模块谨慎地融合来自不同层的信息，使浅层的细节与深层的上下文相互强化。其结果是一个能够在多尺度上追踪小型汽车和行人的检测器，而不是为了速度而牺牲它们。

更精确的决策，参数更少

最后一步是简化预测阶段，即检测头。在原始设计中，通道数较多的深层主要用于处理大型目标，而在无人机制图中大型目标相对稀少。新的共享重参数化检测头（SRepD）在尺度间均衡了通道数，并采用了一种巧妙的训练策略：训练期间，若干专门化卷积分支探索不同的特征突出方式；推理时，这些分支在数学上被合并为单一且简单的卷积。该共享重参数化设计在提高特征融合效果的同时，实际上减少了参数数量，并保持了对边缘设备可控的计算量。

实际测试中的数据说明了什么

增强模型在三个具有挑战性的公开数据集上进行了测试：VisDrone2019（混合城市场景）、TinyPerson（极小人体，覆盖陆地与海上）和 HazyDet（无人机视角下的重雾车辆）。在 VisDrone2019 上，与原始 YOLOv11n 相比，新设计在关键准确率指标（mAP50）和精度上提高了 4.6 个百分点，同时参数减少约 8.5%。在 TinyPerson 上，改进更为显著——mAP50 提升约 5.9 个百分点，精度提升 5.6 个百分点，参数也有类似的下降；该紧凑模型甚至优于一个参数量多四倍的更大 YOLOv11s。在有雾条件下，升级后的检测器在准确性和鲁棒性指标上也均超过基线模型，同时在低功耗的华为 Atlas 200 DK 边缘板上保持实时速度。

这对日常无人机应用意味着什么

对非专业读者来说，主要结论是：这项研究表明无人机可以在提高观测清晰度的同时变得更节省资源。通过重新思考网络在哪儿以及如何寻找细节、在管道中保留高分辨率信息以捕捉微小目标、并简化预测机制，作者打破了精度与模型大小之间的常见权衡。由此得到的系统能更好地识别拥挤、起雾或复杂场景中远处且微小的人员与车辆，而无需笨重硬件。这类进步使得用于交通安全、搜救与环境监测的可靠实时航拍监控更接近日常部署。

引用: Zhu, H., Xie, X. Enhanced YOLOv11n for small object detection in UAV imagery: higher accuracy with fewer parameters. Sci Rep 16, 5536 (2026). https://doi.org/10.1038/s41598-026-35301-2

关键词: 无人机目标检测, 小目标识别, YOLO 神经网络, 航拍影像分析, 无人机边缘 AI