来源：市场资讯
（来源：计算机视觉研究院）
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/PMC13027672/pdf/jimaging-12-00140.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
传统检测方法受限于无人机像素占比小、易与鸟类 / 飞机混淆、易被遮挡等问题，精度与速度难以兼顾。基于此，本文提出YOLOv11n‑ResCBAM+P2检测框架，在保证实时推理的同时，大幅提升小目标检测精度。
PART/1
痛点
- 像素占比极小：远距离无人机在画面中仅占少量像素，细节极易丢失。
- 易混淆干扰：外观与鸟类、小型飞机高度相似，易造成误检。
- 复杂环境干扰：遮挡、光照变化、背景杂乱大幅降低检测稳定性。
- 精度速度失衡：高精度模型推理慢，轻量化模型检测小目标能力弱。
PART/2
技术创新
技术创新：两大升级破解检测难题
1. 残差注意力模块 ResCBAM
融合通道注意力 + 空间注意力，精准聚焦无人机关键特征。
引入残差连接，避免特征过度抑制，保留原始上下文信息。
解决传统 CBAM 易丢失小目标细节的问题，提升特征判别力。
2. 高分辨率 P2 检测头
新增stride=4 的 P2 检测头，特征分辨率提升至 160×160。
保留下采样前的精细空间信息，大幅改善小目标定位精度。
适配 YOLO 部署流程，兼顾架构简洁性与计算效率。
（YOLOv11n‑ResCBAM+P2 整体架构）
（通道注意力 + 空间注意力结构）
PART/3
实验数据
1. 数据集构建
自建数据集：4917 张原图→增强后 11733 张，覆盖无人机、鸟类、飞机 3 类。
场景丰富：昼夜、阴晴、城市 / 乡村 / 天空等复杂环境，含大量遮挡样本。
（数据集类别与数量分布）
2. 核心性能指标
精度（Precision）：0.968
召回率（Recall）：0.921
mAP@0.5：0.969
mAP@0.5–0.95：0.845（较基线 YOLOv11n 提升 7.9%）
推理速度：50.51 FPS（远超 30 FPS 实时标准）
（不同模块组合性能结果）
3. 类别检测效果
无人机 mAP@0.5 达0.982，飞机0.982，鸟类0.844，三类目标区分清晰，误检率极低。
（三类目标逐类检测结果）
（F1、精确率 - 召回率、混淆矩阵）
4. 跨数据集验证
在 VisDrone2019‑DET、UAVDT 公开数据集测试，mAP@0.5 分别达0.943、0.912，泛化能力优异。
（多数据集验证性能）
5. 主流模型对比
优于 Faster R‑CNN、SSD、YOLOv8/v10/v12 等模型，在小目标定位精度上表现突出，平衡精度与速度。
（与 SOTA 模型精度、速度、参数量对比）
PART/4
总结
1. 落地场景
重点区域安防：机场、核电站、政府驻地低空防护。
城市低空管控：无人机违规飞行实时监测与预警。
反制系统前端：为无人机干扰、拦截提供精准目标定位。
2. 现存不足
P2 头带来一定计算开销，速度较基线有所下降。
数据集以日间 RGB 为主，夜间、红外场景仍需优化。
3. 未来规划
模型压缩（剪枝、量化）提升推理速度。
扩充多模态、复杂天气数据集，增强鲁棒性。
融合时序信息，实现视频流无人机跟踪。
结语
YOLOv11n‑ResCBAM+P2 为复杂空域小型无人机实时检测提供了高效解决方案，以7.9% 的精度提升与50.51 FPS 实时推理，兼顾安防场景的高精准需求与工程落地可行性，为低空安全筑牢智能防线。
有相关需求的你可以联系我们！
热门跟贴