无人机场景下基于轻量化YOLOv8的小目标检测算法OA

基于图像的目标检测是无人机实现自主作业的关键。然而,无人机视角下的图像具有背景复杂、小目标众多等特点,并且机上有限的计算资源限制着模型的大小,以上两方面因素共同制约着模型的检测性能。本文针对无人机航拍场景下现有算法的不足,提出了一种改进YOLOv8的轻量级小目标检测算法Drone-YOLO。首先,针对YOLOv8骨干网络参数多、计算复杂度高的问题,本文结合Ghost模块,设计了一种轻量级特征提取网络CSPGhostNet,通过跨阶段生成特征图,压缩模型大小,高效提取目标特征;其次,针对YOLOv8算法颈部层特征退化、融合不充分的问题,本文提出了一种基于混合注意力机制的多尺度特征融合模块。结合通道注意力和空间注意力,强化局部细节特征同时提升全局特征的整体关联性,增强特征表达;最后,设计了共享小目标检测头,通过卷积共享机制,在减少模型计算量的同时,提高检测速度。并改进回归损失函数,引入基于动态非单调聚焦机制的边界框损失(Wise-IoU, WIoU),增大小预测框损失的权重,使模型更加关注小目标检测。在VisDrone2019数据集和MVSRD数据集上进行测试,相较于原算法,本文提出的算法在各项性能指标中均表现优异,mAP@50分别提升10.9%、9.1%,模型参数量和计算量分别压缩了45.2%、43.9%。在小目标类别检测中,平均精度均提升13%以上。与当前其他流行算法对比,本文提出的改进策略在精度和复杂度之间实现了有效平衡,为算法在无人机端侧的部署奠定了基础。