基于改进YOLOv8n的无人机视角下小目标检测算法

针对目标检测算法在无人机视角下的小目标检测中精度低的问题,通过改进YOLOv8的骨干网络与注意力机制,提出一种新的小目标检测算法SFM-YOLOv8。首先,在骨干网络中融入适用于低分辨率图像和小物体检测的空间深度转换卷积(SPDConv),保留判别特征信息,提高小目标感知能力;其次,插入多分支注意力MCA(Multiple Coordinate Attention),加强提取特征层的空间信息和通道信息;然后,构建一种融合FasterNet和高效多尺度注意力(EMA)的卷积FE-C2f,减少计算量并使模型轻量化;此外,引入边界框相似度比较度量(MPDIoU)损失函数提高算法精度;最后,在YOLOv8n的网络结构中增加小目标检测层,保留更多关于小目标的位置信息和细节特征。实验结果表明,与YOLOv8n相比,SFM-YOLOv8算法在VisDrone-DET2019数据集上的平均精度均值mAP_(50)提高了4.37个百分点,参数量减少了5.98%;与相关主流模型对比,精度也有所提升,且满足实时检测需求。