MECW-YOLO:基于改进YOLOv8的无人机视角小目标检测模型OA

针对无人机航拍中目标物体小、分布密集和互相遮挡等问题引发的误检和漏检现象,提出了MECW-YOLO无人机目标检测模型。该模型首先使用MobileViT作为主干网络,通过融合CNN和ViT的优势,增强了网络对局部与全局信息结合能力;其次在Neck部分加入ECA机制,捕捉长距离依赖关系,有效地融合了多尺度信息,同层借鉴了CCFF结构思想,加入4个卷积调整通道数并跨通道信息整合,促进多尺度特征融合;最后采用基于动态非单调聚焦机制的边界框损失函数(Wise-IoUv3),使用离群度对锚框质量进行评估,优化了边界框回归性能。实验结果表明:在VisDrone2019数据集上,MECW-YOLO模型的mAP@50达到了39.1%,mAP@50:95达到了23.3%,同时模型的参数量为2.4×10^(6),相较于基线模型YOLOv8n,mAP@50和mAP@50:95分别提升了7.0和4.0个百分点,参数量降低了20.0%。综上所述,MECW-YOLO模型能够有效应对无人机航拍下的目标检测挑战,满足性能要求。