YOLO-PDS：基于改进的YOLOv11的无人机小目标检测算法
电子技术应用
谭勋琼，王颖林
长沙理工大学 物理与电子科学学院
摘要： 目标检测在遥感领域中具有广泛的应用前景。尽管目标检测算法在自然图像中取得了明显的进展，但这些方法直接应用于遥感图像时仍然面临诸多挑战。遥感图像的背景往往比较复杂且物体较小，导致前景与背景信息的分布极为不平衡。针对无人机图像小目标和物体遮挡的问题，提出了一种基于风车状卷积（PinwheelConv）改进的无人机小目标检测算法。为了改进模型对小目标的检测效果，在骨干网络中使用风车状卷积替换普通卷积来更好地适应小目标提取特征，同时基于风车状卷积的思想设计了C2f-PC模块来替换骨干中的C3k2模块。为解决无人机图像中目标遮挡严重的问题，创新性地提出了C2f-PDWR模块来替换颈部网络中的C3k2模块，来增强模型的特征融合能力，同时引入了SEAM（Spatially Enhanced Attention Module）来改善模型对被遮挡物体的检测效果。最后，基于YOLOv11提出对小目标检测更加高效的YOLO-PDS模型。其在VisDrone2019数据集上所提方法较基准模型YOLOv11检测方法mAP50提高3.7%以上，召回率提高2.2%以上。
中圖分類號：TP391.4 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.256845
中文引用格式： 譚勛瓊，王穎林. YOLO-PDS:基于改進的YOLOv11的無人機小目標檢測算法[J]. 電子技術應用，2025，51(12)：96-102.
英文引用格式： Tan Xunqiong，Wang Yinglin. YOLO-PDS: a small object detection algorithm for drones based on the improved YOLOv11[J]. Application of Electronic Technique，2025，51(12)：96-102.
中文引用格式： 譚勛瓊，王穎林. YOLO-PDS:基于改進的YOLOv11的無人機小目標檢測算法[J]. 電子技術應用，2025，51(12)：96-102.
英文引用格式： Tan Xunqiong，Wang Yinglin. YOLO-PDS: a small object detection algorithm for drones based on the improved YOLOv11[J]. Application of Electronic Technique，2025，51(12)：96-102.
YOLO-PDS： a small object detection algorithm for drones based on the improved YOLOv11
Tan Xunqiong，Wang Yinglin
School of Physics and Electronics， Changsha University of Science and Technology
Abstract： Object detection has broad application prospects in the field of remote sensing. Although object detection algorithms have made significant progress in natural images, these methods still face numerous challenges when directly applied to remote sensing images. The background of remote sensing images is often complex, and the objects are relatively small, which leads to an extremely imbalanced distribution of foreground and background information. To address the issues of small targets and object occlusion in drone images, this paper proposes an improved drone small object detection algorithm based on PinwheelConv. To enhance the model's performance in detecting small objects, the PinwheelConv is used in place of regular convolution in the backbone network, which better adapts to the extraction of small target features. Additionally, a C2f-PC module based on the windmill convolution idea is designed to replace the C3k2 module in the backbone. To address the severe occlusion problem in drone images, this paper innovatively introduces the C2f-PDWR module to replace the C3k2 module in the neck network, enhancing the model's feature fusion capability. Moreover, a Spatially Enhanced Attention Module (SEAM) is incorporated to improve the model's detection of occluded objects. Finally, this paper proposes a more efficient small object detection model, YOLO-PDS, based on YOLOv11. The proposed method improves the mAP50 by over 3.7% and the recall rate by more than 2.2% compared to the baseline YOLOv11 detection method on the VisDrone2019 dataset.
Key words : object detection；YOLOv11；Pinwheel Convolution；multidimensional attention mechanism
引言
隨著無人機的出現，航拍領域經歷了深刻的變革。最初設計用于軍事偵察的無人機現已突破傳統應用范圍，成為眾多民用和科研領域中的關鍵工具。無人機技術的廣泛應用得益于其高分辨率圖像采集能力，這為空間數據分析提供了全新的視角。無人機在航拍圖像分析中的應用已在多個領域中變得不可或缺。在城市規劃領域，無人機為智慧城市設計與管理提供了重要支持，提供了推進可持續發展的關鍵數據；在環境監測中，無人機為生態系統評估和野生動物保護提供了寶貴的洞察。此外，憑借其高度的靈活性和多功能性，無人機在災后響應與管理中的作用也日益凸顯，能夠迅速評估受災區域。這些多元化的應用充分證明了無人機作為多功能工具的巨大潛力，突破了傳統應用的邊界。然而，由于無人機圖像具有復雜的背景、小物體的尺寸以及遮擋問題，仍然存在許多挑戰。因此，小物體檢測已經成為該領域一個重要且復雜的研究重點。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000006883
作者信息：
譚勛瓊，王穎林
（長沙理工大學 物理與電子科學學院，湖南 長沙 410114）
此內容為AET網站原創，未經授權禁止轉載。