点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://sensors.myu-group.co.jp/sm_pdf/SM4311.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

基于最新 YOLOv11n 框架，本文队提出CGF-YOLOv11n轻量化实时小目标检测算法，在 VisDrone2019 无人机数据集上实现精度显著提升，还能在香橙派 5 平台做到34 帧 / 秒实时部署！

PART/1

    创新   

CGF-YOLOv11n 的核心是C2PLUS + GRFAConv + FDPN三大改进模块，兼顾精度与速度。

1. C2PLUS 模块：细粒度特征 “放大器”

替代原 C2PSA 模块，融合 Transformer 注意力与通道交互，强化小目标细节特征提取，几乎不增加计算量。

 C2PLUS 模块结构 diagram

2. GRFAConv 模块：轻量感受野增强

结合 GhostConv 轻量化与 RFAConv 空间感知，设计即插即用卷积单元，减少冗余计算，精准聚焦目标空间位置。

GRFAConv 卷积结构 diagram

3. FDPN 模块：特征融合不丢失

替换传统 PANet，通过 FocusFeature 跨层聚合 + 特征扩散，平衡语义与空间信息，解决小目标特征融合丢失问题。

FDPN 结构 diagram

FocusFeature 结构 diagram

PART/2

     实验结果   

实验结果：精度碾压，轻量更强

实验基于 VisDrone2019 无人机小目标数据集，与原版 YOLOv11n 对比：

• 验证集 mAP@0.5提升 3.5%

• 测试集 mAP@0.5提升 3.1%

• 参数仅 2.745M，GFLOPs 7.2，极致轻量化

验证集消融实验

测试集消融实验

主流算法对比

可视化效果更直观：CGF-YOLOv11n 对远处小目标、弱光、遮挡场景的注意力更集中，漏检大幅减少。

 热力图对比

多场景检测结果对比

PART/3

   落地价值   

落地价值：边缘端实时小目标检测

CGF-YOLOv11n 在香橙派 5实现 34FPS 实时推理，完美适配无人机、智能监控、嵌入式边缘设备，为无人机巡检、交通感知、安防监控提供高精度、高效率的小目标检测方案。

未来研究将进一步轻量化压缩，拓展更多数据集，提升复杂场景泛化能力。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测