计算机应用

作者：范博淦, 王淑青, 陈开元

单位：湖北工业大学 电气与电子工程学院，武汉 430068

关键词：YOLOv8,C2f,无人机,小目标检测,Inner-EIoU

基金：国家自然科学基金资助项目(62306107)

针对当前无人机（UAV）视角下小目标检测性能低以及漏检和误检的问题，提出基于YOLOv8改进的BDS-YOLO （BiFPN-Dual-Small target detection-YOLO）模型。首先，使用RepViTBlock（Revisiting mobile CNN from ViT perspective Block）与EMA（Efficient Multi-scale Attention）机制构造C2f-RE （C2f-RepViTBlock Efficient multi-scale attention）从而改进骨干网络中深层的C2f （faster implementation of CSP bottleneck with 2 Convolutions）模块，提升模型对小目标特征的提取能力并降低参数量；其次，使用双向特征金字塔网络（BiFPN）重构颈部网络，从而使不同层级的特征得以相互融合；然后，在改进颈部网络的基础上构造双重小目标检测层，并结合浅层和最浅层特征来提高模型对小目标的检测能力；最后，引入改进损失函数Inner-EIoU （Inner-Efficient-Intersection over Union），该函数使用更合理的宽高比衡量方式并解决交并比（IoU）自身的局限。实验结果表明，改进模型在VisDrone2019数据集上相对原始模型的精确率、召回率、mAP@50、mAP@50：95分别提升了8.5、7.7、9.2和6.3个百分点，而参数量仅为2.23×106，模型大小减小了19.1%。可见，所提模型在实现一定轻量化的同时显著提升了性能。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期