《Algorithms》：MD-YOLO: An Improved YOLO26-Based Model for Small-Object Detection in UAV Aerial Imagery
编辑推荐：
无人机航拍图像中的目标检测在交通监控、城市管理、低空巡检等应用中发挥着重要作用。然而，航拍图像通常呈现小目标尺度、密集分布、严重遮挡和背景杂乱等挑战。现有YOLO系列检测器在小目标特征表示、多尺度上下文建模和下采样细节保持方面仍存在局限。为解决这些问题，本文提
无人机航拍图像中的目标检测在交通监控、城市管理、低空巡检等应用中发挥着重要作用。然而，航拍图像通常呈现小目标尺度、密集分布、严重遮挡和背景杂乱等挑战。现有YOLO系列检测器在小目标特征表示、多尺度上下文建模和下采样细节保持方面仍存在局限。为解决这些问题，本文提出MD-YOLO，一种基于YOLO26基线、针对无人机场景量身定制的改进目标检测模型。MD-YOLO集成了三个轻量级模块——IMO、DS-SPPF和HPConv，分别用于优化骨干网络特征提取、多尺度上下文聚合和Neck下采样，从而增强模型在复杂无人机场景下的小目标检测能力。实验结果表明，与基线模型相比，MD-YOLO在VisDrone-2019数据集上的Precision、Recall、mAP50和mAP50-95分别提高了3.9、3.2、2.9和3.1个百分点，同时参数量仅为9.3 M，从而在准确性和复杂度之间取得了良好平衡。在UAVDT和NWPU VHR-10数据集上的独立评估进一步证实了该模型在不同无人机成像条件下的持续有效性，mAP50分别提高了8.3和1.4个百分点。
无人机（Unmanned Aerial Vehicle, UAV）航拍图像目标检测在智能交通、城市安防、应急救援等领域具有重要应用价值。与自然图像不同，航拍图像具有明显的俯视视角、目标尺度小且变化剧烈、分布密集、遮挡严重及背景杂乱等特点，给检测模型带来了极大挑战。现有YOLO系列检测器虽然采用端到端结构和多尺度检测机制，但骨干网络对浅层细粒度特征的利用有限，深层特征的长距离全局依赖建模能力不足；传统空间金字塔池化（Spatial Pyramid Pooling - Fast, SPPF）模块采用固定感受野，难以适配目标尺度差异；此外，Neck中的普通步长卷积下采样会丢失小目标的边缘和纹理信息。针对上述问题，研究人员提出了MD-YOLO算法。
MD-YOLO是基于YOLO26基线构建的改进模型，融入三个轻量级模块，即改进的MambaOut骨干（Improved MambaOut backbone, IMO）、动态尺度SPPF（Dynamic Scale SPPF, DS-SPPF）和混合池化卷积（Hybrid Pooling Conv, HPConv）。实验在三个公开数据集上进行，结果验证了模型在复杂无人机场景中的有效性和泛化能力。该研究为无人机实时目标检测提供了兼顾精度与效率的解决方案，相关成果发表于《Algorithms》。
研究人员为开展本研究采用了以下主要关键技术方法。第一，IMO骨干在原始GatedCNN Block中并行加入3×3深度可分离卷积分支，以增强小目标边缘与纹理的局部响应，并在后两个深层阶段嵌入基于Mamba思想的线性注意力适配器（Mamba-Inspired Linear Attention Adapter, MILA），以轻量化方式建模全局上下文依赖。第二，DS-SPPF模块构造恒等映射、最大池化和不同膨胀率的深度卷积等多条尺度分支，并通过由卷积和激活函数组成的权重生成器，生成随空间位置和通道变化的注意力权重，实现对多尺度感受野的动态融合。第三，HPConv模块将输入按通道分为两部分，分别采用平均池化与多尺度大核卷积、最大池化与1×1卷积进行下采样，从而在压缩空间分辨率的同时保留整体区域响应、局部显著响应和上下文信息。实验数据来自VisDrone-2019、UAVDT和NWPU VHR-10三个公开的无人机/遥感数据集。
4.4 对比实验结果
在VisDrone-2019数据集上与YOLOv8s、YOLOv10s、YOLOv11s、YOLOv12s、YOLOv13s、YOLO26s和RT-DETR-R18对比，MD-YOLO取得了最优的整体检测性能。其Precision、Recall、mAP50和mAP50-95分别为49.9%、39.3%、39.8%和23.1%，较YOLO26基线提高3.9、3.2、2.9和3.1个百分点，且参数量仅9.3 M，计算复杂度低于RT-DETR-R18。按COCO尺寸分层统计，小目标AP
S提升3.4个百分点，表明改进并非仅提高总体精度，而是切实改善了小目标检测。
4.5 消融实验
采用全组合消融设计，基线为YOLO26，枚举IMO、DS-SPPF、HPConv的所有组合。结果表明，每个模块单独使用均能提升性能，其中IMO贡献最大；任意两模块组合优于单模块，完整模型在所有精度指标上最佳。与基线相比，MD-YOLO将Precision从46.0%提升至49.9%，Recall从36.1%提升至39.3%，mAP50从36.9%提升至39.8%，mAP50-95从20.0%提升至23.1%，同时参数量由9.4 M降至9.3 M。IMO内部消融显示，MILA适配器和局部增强分支各自贡献了有效增益。
4.6 可视化分析
通过检测结果图和Grad-CAM热力图对比，MD-YOLO在密集人群和夜间低照度场景中能够检测出更多远距离小目标和遮挡目标，而基线模型存在明显漏检。热力图中MD-YOLO的响应更集中于车辆、行人等真实目标区域，而基线模型的响应较分散，易受道路、建筑阴影等背景干扰。
4.7 附加数据集评估
在UAVDT和NWPU VHR-10数据集上进行独立训练与验证。MD-YOLO在UAVDT上较YOLO26的Precision、Recall、mAP50和mAP50-95分别提高5.2、8.6、8.3和3.7个百分点；在NWPU VHR-10上mAP50提升1.4个百分点。这证明三个模块的改进不依赖于特定数据集分布，具有良好的泛化性。
讨论部分总结了MD-YOLO在精度与模型复杂度之间的平衡：参数量保持不变，GFLOPs从20.5 G增至22.3 G，增幅可接受。同时指出局限性，包括极端小目标、运动模糊和夜间光照下仍存在漏检；尚未在低功耗边缘设备上进行延迟和能耗评估；缺乏基于遮挡
