面向航拍小目标的改进YOLOv5n检测算法

针对无人机视角下目标尺度差异大、检测场景复杂、目标小且密集而导致的检测精度不高的问题，提出了一种基于改进YOLOv5n的实时目标检测算法。首先，通过引入轻量通道注意力(ECA)模块提高卷积神经网络对特征图内有效信息的提取能力；其次，在特征金字塔网络输出端后，加入自适应空间特征融合(ASFF)模块，提高不同尺度特征图的识别精度；再次，使用EIoU损失函数计算预测框和目标框的差异值，加快收敛速度并提高检测精度；最后，改进YOLOv5n的检测头，优化模型对小目标的检测性能。在VisDrone数据集上训练测试，相比于基础的YOLOv5n模型，在640×640分辨率下，改进后模型的类平均精度(mAP₅₀)提高了6.1个百分点；在1504×1504分辨率下类平均精度(mAP₅₀)提高了7.1个百分点；同时，改进后的模型检测速度在硬件上可达22帧/s以上。该算法模型在精度提高的同时保证了足够高的检测速度，更适用于无人机的小目标实时检测。