PMDS-YOLO：面向高效水产品检测的轻量化多尺度检测器及其性能突破

本文提出一种轻量化多尺度检测模型PMDS-YOLO，通过构建PMD（PConv-MDEMA）模块降低计算复杂度，设计MScat模块增强多尺度特征融合能力，并引入DSE模块实现跨层级特征协同优化。实验表明，该模型在URPC数据集上达到84.8?% mAP@0.5，显著优于Faster-RCNN、SSD、YOLOv11n等主流算法，为复杂水下场景目标检测提供了高效解决方案。

　　

Highlight

PMDS-YOLO通过以下核心创新提升检测性能：

1. 1.

   构建PMD（PConv-MDEMA）模块，通过部分卷积（PConv）与MDEMA（MLP-Drop path-EMA）机制串联，显著降低模型参数量和计算成本，同时提升模糊目标检测精度；

2. 2.

   设计MScat模块实现多尺度特征图融合，增强尺度适应性；

3. 3.

   提出深度尺度增强（DSE）模块，通过跨层级特征交互机制实现语义信息深度融合；

4. 4.

   采用轻量化检测头SFH，在保持特征提取能力的同时减少冗余计算。

Methods

YOLOv11模型架构包含Backbone、Neck和检测头三部分。输入图像缩放至640×640后经Backbone提取特征，其中C3k、SPPF等模块被优化替换。Neck部分通过上采样和多尺度特征拼接增强表征能力。检测头采用深度可分离卷积提升效率。

Datasets

URPC数据集包含5543张水下光学图像，涵盖海参、海胆、扇贝和海星四类生物；RUOD数据集包含10类1260个标注实例；WSODD为多样化水面目标检测数据集。

Conclusion

PMDS-YOLO通过轻量化设计和多尺度优化，显著提升水下目标检测精度与效率，为智能水产养殖系统提供了可靠的技术支撑。