前沿：小目标检测，YOLOv11n 再进化！

点击蓝字关注我们关注并星标从此不迷路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://sensors.myu-group.co.jp/sm_pdf/SM4311.pdf计算机视觉研究院专栏Column of Computer Vision Institute基于最新 YOLOv11n 框架本文队提出CGF-YOLOv11n轻量化实时小目标检测算法在 VisDrone2019 无人机数据集上实现精度显著提升还能在香橙派 5 平台做到34 帧 / 秒实时部署PART/1创新CGF-YOLOv11n 的核心是C2PLUS GRFAConv FDPN三大改进模块兼顾精度与速度。1. C2PLUS 模块细粒度特征 “放大器”替代原 C2PSA 模块融合 Transformer 注意力与通道交互强化小目标细节特征提取几乎不增加计算量。C2PLUS 模块结构 diagram2. GRFAConv 模块轻量感受野增强结合 GhostConv 轻量化与 RFAConv 空间感知设计即插即用卷积单元减少冗余计算精准聚焦目标空间位置。GRFAConv 卷积结构 diagram3. FDPN 模块特征融合不丢失替换传统 PANet通过 FocusFeature 跨层聚合 特征扩散平衡语义与空间信息解决小目标特征融合丢失问题。FDPN 结构 diagramFocusFeature 结构 diagramPART/2实验结果实验结果精度碾压轻量更强实验基于 VisDrone2019 无人机小目标数据集与原版 YOLOv11n 对比验证集 mAP0.5提升 3.5%测试集 mAP0.5提升 3.1%参数仅 2.745MGFLOPs 7.2极致轻量化验证集消融实验测试集消融实验主流算法对比可视化效果更直观CGF-YOLOv11n 对远处小目标、弱光、遮挡场景的注意力更集中漏检大幅减少。热力图对比多场景检测结果对比PART/3落地价值落地价值边缘端实时小目标检测CGF-YOLOv11n 在香橙派 5实现 34FPS 实时推理完美适配无人机、智能监控、嵌入式边缘设备为无人机巡检、交通感知、安防监控提供高精度、高效率的小目标检测方案。未来研究将进一步轻量化压缩拓展更多数据集提升复杂场景泛化能力。有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测