YOLO-Drone：一种基于GhostHead网络的无人机图像高效目标检测方法
计算机视觉与模式识别
2025-11-17 v1
摘要
利用无人机拍摄的图像或视频进行目标检测是一项具有广阔前景的技术，在各行各业具有重大潜力。然而，一个主要挑战是无人机图像通常从高空拍摄，使得目标识别困难。本文提出了一种有效解决方案来解决此问题。实验中使用的基础模型是最新目标检测模型 YOLOv11，其具体实现基于 YOLOv11n。实验数据来源于广泛使用且可靠的 VisDrone 数据集，这是无人机目标检测的标准基准。本文引入了一种对 YOLOv11 算法头部网络的增强，称为 GhostHead 网络。纳入此改进的模型命名为 YOLO-Drone。实验结果表明，与原始 YOLOv11 相比，YOLO-Drone 在关键检测精度指标上取得了显著提升，包括精确率、召回率、F1-Score 和 mAP(0.5)。具体而言，所提出的模型精确率提高了 0.4%，召回率提高了 0.6%，F1-Score 提高了 0.5%，mAP(0.5) 提高了 0.5%。此外，衡量图像处理速度的推理速度指标也表现出显著提升。这些结果表明 YOLO-Drone 是一种高性能模型，相比 YOLOv11 具有增强的精度和速度。为进一步验证其可靠性，与其他高性能目标检测模型（包括 YOLOv8、YOLOv9 和 YOLOv10）进行了对比实验。结果证实，所提出的模型在 mAP(0.5) 上超越 YOLOv8 0.1%，并分别超越 YOLOv9 和 YOLOv10 0.3% 和 0.6%。
引用
@article{arxiv.2511.10905,
title = {YOLO-Drone: An Efficient Object Detection Approach Using the GhostHead Network for Drone Images},
author = {Hyun-Ki Jung},
journal= {arXiv preprint arXiv:2511.10905},
year = {2025}
}
备注
Preprint version. Accepted for publication in the Journal of Information Systems Engineering and Management