用于无人机图像小目标检测的增强型 YOLOv11n：以更少参数实现更高精度

由于高空航拍的原因，无人机图像中的目标检测面临诸多挑战：目标分布密集、小目标占比大、机载计算能力有限，导致检测精度低，且误检和漏检率高。为了解决这些问题，本文提出了一种改进的 YOLOv11 模型。首先，我们在主干网络中设计了多尺度边缘特征自适应选择（MSEAF）模块，以有效应对小目标占主导以及边缘信息微弱的问题。其次，我们使用 ScalCat 和 Scal3DC 模块重构颈部网络，并增加了 P2 小目标检测头，缓解了多尺度处理中的特征退化，并提高了高分辨率信息的利用率。最后，我们设计了一种共享重参数化轻量级检测头（SRepD），以解决传统检测头的计算冗余和特征融合不足的问题。在 VisDrone2019 数据集上，与 YOLOv11n 基线相比，我们的模型将 mAP50 和 Precision 提高了 4.6%，同时参数量减少了约 8.5%。在仅包含两个极小类别的 TinyPerson 数据集上，相比 YOLOv11n，我们的模型使 mAP50 和 Precision 分别提高了 5.5% 和 5.6%，参数量减少了 7.7%。与规模更大的 YOLOv11s 相比，我们的模型在仅使用其 25% 参数量的情况下，mAP50 提高了 3.8%，Precision 提高了 3.2%，展现出跨尺度的性能优越性。在首个无人机视角雾天场景数据集 HazyDet 数据集上，与 YOLOv11n 基线相比，我们的模型同样表现出了更优越的检测性能。