面向无人机图像的 YOLO-Drone：基于 GhostHead 网络的高效目标检测方法
流体动力学
2025-11-17 v1 大气与海洋物理
摘要
利用无人机拍摄的图像或视频进行目标检测是一个具有重要潜力的技术，跨行业应用广泛。然而，无人机图像通常在高空拍摄，导致目标识别困难。本文提出了有效解决方案。实验使用的基础模型为 YOLOv11，即最新的目标检测模型，具体实现基于 YOLOv11n。实验数据来源于 VisDrone 数据集，该数据集是无人机目标检测中广泛使用且可靠的标准基准。本文为 YOLOv11 算法的 Head 网络引入了增强方案，称为 GhostHead 网络。采用该改进方案的模型命名为 YOLO-Drone。实验结果表明，YOLO-Drone 在关键检测准确率指标（Precision、Recall、F1-Score 和 mAP（0.5））上均实现了显著提升，相比原始 YOLOv11 分别提升了 0.4%、0.6%、0.5% 和 0.5%。此外，衡量图像处理速度的推理速度指标也显示了显著改善。这些结果表明，YOLO-Drone 是一个高性能模型，在准确率和速度方面均优于 YOLOv11。为进一步验证其可靠性，本文还对 YOLOv8、YOLOv9 和 YOLOv10 等高性能目标检测模型进行了比较实验。结果确认，所提模型在 mAP（0.5）上分别超过 YOLOv8 0.1%、YOLOv9 0.3% 和 YOLOv10 0.6%。
引用
@article{arxiv.2511.10904,
title = {Stability of SQG Kolmogorov Flow},
author = {Mac Lee and Stefan Llewellyn Smith},
journal= {arXiv preprint arXiv:2511.10904},
year = {2025}
}