学术研究报告：面向无人机捕获场景的小目标实时检测改进方法研究

一、 研究团队与发表信息

本项研究由长江大学计算机科学学院的Wei Zhan、Chenfan Sun、Yangyang Zhang、Zhiliang Zhang、Yong Sun以及中国地质大学（武汉）计算机学院的Maocai Wang、Jinhui She合作完成。研究成果以题为“An improved YOLOv5 real-time detection method for small objects captured by UAV”的学术论文形式，发表于Soft Computing期刊2022年第26卷。论文于2021年10月5日被接受，并于2021年11月2日在线发表。

二、 研究背景与目标

本研究属于计算机视觉领域，具体聚焦于目标检测（Object Detection） 任务，并特别关注无人机（Unmanned Aerial Vehicle, UAV） 航拍场景下的小目标检测（Small Object Detection） 挑战。

研究背景： 目标检测技术在智能监控、身份识别、医学成像等领域至关重要。传统算法主要针对近距离水平视角拍摄的图像进行优化。然而，无人机航拍具有视野广阔、能规避水平方向遮挡等优势，极大地拓展了目标检测的应用场景（如交通、农业、公共安全等）。然而，现有先进的目标检测算法（如YOLOv5、CenterNet等）在应用于无人机捕获的图像时，性能会显著下降。研究团队通过分析发现，其核心原因在于无人机图像分辨率高、视场大，导致图像中待检测目标所占像素比例极小。以VisDrone-2020数据集为例，其中小目标（面积小于图像总面积0.3%）占比高达87.77%，而大目标（面积大于3%）仅占0.26%。现有模型（如YOLOv5s在COCO数据集上）对小目标的平均精度（Average Precision for Small objects, APs）远低于对大目标的平均精度（Average Precision for Large objects, APL），存在严重的性能退化问题。此外，直接使用更大、更复杂的模型（如YOLOv5x）虽能略微提升精度，但会带来模型参数量剧增、推理速度大幅下降的问题，难以满足无人机平台对实时性、轻量化和易部署的实际需求。

研究目标： 基于以上背景，本研究旨在解决无人机平台目标检测算法的核心矛盾：如何在显著提升小目标检测精度的同时，尽可能保持较高的检测速度（即实现实时检测）。为此，研究团队提出了两个指导性思路：1）增强算法对小目标的检测精度；2）采用轻量化设计思想，提高检测效率。具体目标是，在YOLOv5s模型的基础上进行改进，使其在VisDrone-2020数据集上的性能（以mAP50为主要指标）得到大幅提升，同时保持较高的帧率（Frames Per Second, FPS）。

三、 研究方法与详细流程

本研究以YOLOv5s模型为基线，系统地提出了四项改进方法，并通过消融实验逐一验证其有效性。整个研究流程包括数据集准备、模型改进、实验训练与评估分析。

1. 研究对象与数据集： 本研究使用VisDrone-2020数据集作为核心实验对象。该数据集是专业的无人机航拍数据集，包含8899张图像（训练集6471张，验证集548张，测试集1610张），共计超过38万个标注框。数据集中包含行人、汽车、巴士等11个类别，其特点是目标尺寸小、分布密集。统计分析显示，该数据集中87.77%的目标为小目标，这与通用数据集（如MS-COCO）的分布截然不同，使其成为研究小目标检测问题的理想测试平台。

2. 改进方法流程： 研究团队对YOLOv5s模型进行了四项关键改进：

• a) 锚框重设计（Anchor Redesign）：

  • 问题： YOLOv5默认的锚框尺寸是基于COCO数据集聚类得到的，其尺寸分布与以小目标为主的VisDrone数据集不匹配，导致锚框与真实目标框（Ground Truth Box）的匹配概率低，影响训练效果。
  • 方法： 采用K-means++聚类算法，直接在VisDrone-2020数据集的标注框上进行重新聚类，生成一组新的、更适合该数据集目标尺寸分布的锚框尺寸。距离度量使用1 - IoU(Box, Centroid)，以确保聚类中心能更好地代表目标框的形状和大小。新的锚框尺寸覆盖了从P2到P5四个特征层的不同尺度（见表4），特别是为更高分辨率的P2特征层设计了更小的锚框。

• b) 引入注意力模块（SE Module）：

  • 问题： 神经网络类似于人类视觉，容易关注显著特征而忽略小目标。小目标的特征在卷积和下采样过程中容易丢失。
  • 方法： 在YOLOv5s的主干网络（Backbone）CSPDarknet53中嵌入了挤压与激励（Squeeze-and-Excitation, SE） 注意力模块。该模块是一个轻量化的“即插即用”组件，通过学习通道间的相关性，为特征图的每个通道分配一个权重，从而让网络更加关注信息量丰富的通道特征，抑制不重要的通道。具体实现上，将SE层添加在主干网络的第4、6、8层之后（以Focus层为第0层）。实验比较了将SE模块放在基础块之后（SE-after）和之中（SE-middle）两种方案，最终选择了效果略好的SE-after方案。

• c) 损失函数替换（CIoU Loss）：

  • 问题： YOLOv5原版使用广义交并比（Generalized Intersection over Union, GIoU） 作为边界框回归损失函数。GIoU虽然解决了预测框与真实框不相交时梯度无法更新的问题，但当两个框完全包含时，其会退化为IoU，无法区分预测框在真实框内部不同位置（如中心对齐或偏离中心）以及不同长宽比的情况。
  • 方法： 将边界框回归损失函数替换为完全交并比（Complete Intersection over Union, CIoU）损失函数。CIoU在IoU的基础上，额外引入了两个惩罚项：1）预测框与真实框中心点之间的距离；2）预测框与真实框长宽比的差异。其公式为：CIoU = IoU - ρ²(b, b_gt)/c² - αv，其中ρ²为中心点距离的平方，c²为最小包围框对角线长度的平方，v用于衡量长宽比的一致性，α是权衡参数。CIoU能更精确地评估预测框与真实框的匹配度，在两者完全重叠时也能继续优化，从而提升回归精度。

• d) 特征层级扩展（P2 Feature Level）：

  • 问题： YOLOv5原网络仅使用{P3, P4, P5}三个特征层进行检测。这些特征层分辨率较低（经过8倍、16倍、32倍下采样），缺乏低层级的细节特征信息，导致对小目标的表征能力弱。
  • 方法： 采用了低层特征图复用策略，在原有的三个检测头基础上，增加了一个对应更高分辨率（4倍下采样，160x160像素）的P2特征层。这样，检测头扩展为{P2, P3, P4, P5}四个层级。P2特征层保留了更丰富的空间细节和细粒度特征，有助于网络学习小目标的特征。同时，通过自底向上的路径增强（Bottom-up Path Augmentation） 结构（见图12c），缩短了P2特征图的特征融合路径，更好地保留了低层特征信号。

3. 实验设计与数据分析流程： * 实验环境： 使用Intel i9-9900K CPU和NVIDIA GeForce RTX 2080Ti GPU，在Ubuntu 16.04系统上进行训练和测试。 * 训练设置： 初始学习率设为0.001，批量大小（Batch Size）为16，训练轮次（Epochs）为300。 * 评估指标： 采用五个关键指标评估模型：模型大小（Model Size）、推理速度（Inference Speed）、精确率（Precision）、召回率（Recall）和平均精度（mean Average Precision at IoU=0.5, mAP50）。 * 消融实验（Ablation Study）： 为了验证每项改进方法的有效性，研究团队设计了系统的消融实验。共构建了5个改进模型（M1-M5）与原始YOLOv5s模型进行对比： * M1: 仅使用新锚框。 * M2: M1 + SE模块。 * M3: M1 + CIoU损失。 * M4: M1 + P2特征层。 * M5: 集成所有四项改进（新锚框 + SE模块 + CIoU损失 + P2特征层）。 通过对比这些模型在相同数据集上的性能指标，可以清晰分析每项改进的单独贡献和组合效果。

四、 主要研究结果

消融实验的结果（见表5和图13、14）清晰地展示了各项改进方法的效果：

1. 锚框重设计（M1）： 与原始YOLOv5s相比，仅重设计锚框就将mAP50从12.70%提升至13.97%。此方法不增加任何计算开销，推理速度保持不变（0.015s），表明根据数据集特性定制锚框是简单有效的提升手段。
2. 引入SE模块（M2）： 在M1基础上加入SE模块后，mAP50仅微增0.06%至14.03%，模型大小增加了0.11MB，推理速度下降了3%。这表明SE模块带来的精度增益有限，且会引入轻微的计算成本。
3. 使用CIoU损失（M3）： 在M1基础上将GIoU替换为CIoU，mAP50提升至15.45%，涨幅明显（+1.48%）。此方法不影响模型大小和推理速度，是一种高效的低成本改进方案。
4. 增加P2特征层（M4）： 这是效果最显著的单项改进。在M1基础上增加P2特征层后，mAP50大幅跃升至37.41%，相比M1提升了近24个百分点。召回率（Recall）从27.11%大幅提升至51.06%，说明模型检测小目标的能力（找出所有正样本的能力）得到了质的飞跃。代价是模型大小从14.81MB增至16.16MB，推理时间从0.015s增至0.018s，推理速度从约66 FPS下降至55 FPS，但仍保持在高实时性范畴。
5. 集成所有改进（M5）： 最终集成了全部四项改进的M5模型，取得了最佳性能：mAP50达到37.66%，精确率（Precision）为30.82%，召回率（Recall）为51.29%。与原始YOLOv5s模型（mAP50: 12.70%）相比，精度提升了196%。模型大小为16.25MB，推理速度为0.018s（约55 FPS）。

结果分析与逻辑关系： * 实验数据有力地证明了研究团队最初的观点：提升无人机场景目标检测性能的关键在于增强小目标检测能力。P2特征层的引入带来了最巨大的性能提升，这直接印证了低分辨率特征层难以有效捕捉小目标特征，而利用高分辨率、富含细节的低层特征至关重要。 * 各项改进之间存在互补关系。锚框重设计为模型提供了更好的初始匹配；CIoU损失函数提供了更精确的边界框回归指导；SE注意力机制帮助网络聚焦重要特征；P2特征层提供了更丰富的空间信息。它们的组合（M5）实现了性能的最终优化。 * 图15的可视化结果直观展示了改进效果：原始YOLOv5s模型在远处和小物体上存在大量漏检和误检；M1、M2、M3模型改进有限；而M4和M5模型能够检测出更多被遮挡的车辆、远处的行人等小目标，检测效果显著改善。

五、 研究结论与价值

结论： 本研究成功提出并验证了基于YOLOv5s的四种改进方法，有效解决了无人机航拍图像中小目标检测精度低的问题。最终得到的集成模型在VisDrone-2020数据集上将mAP50从12.7%大幅提升至37.66%，同时保持了55 FPS的高检测速度，在精度和速度之间取得了优异的平衡。

价值： * 科学价值： 研究系统地探索并验证了针对小目标检测的多种技术路径（数据适配的锚框、注意力机制、改进的损失函数、多尺度特征融合），为小目标检测领域提供了有价值的经验和方法论参考。特别是明确了在无人机场景下，扩展高分辨率低层特征图（如P2）是提升小目标检测性能最有效的单一手段。 * 应用价值： 所提出的改进模型具有模型尺寸小、检测速度快、精度高的特点，非常符合无人机等边缘计算设备对算法轻量化和实时性的严格要求，有力推动了目标检测算法在无人机平台上的实际应用进程，在交通监控、农业巡查、公共安全、电力巡检等领域具有广阔的应用前景。

六、 研究亮点

1. 问题导向明确，切入点精准： 研究直指无人机目标检测性能下降的核心症结——小目标占比极高，并围绕此问题展开系统性改进。
2. 系统性的消融实验： 通过严谨的消融实验，清晰量化了每一项改进措施对最终性能的贡献，论证过程科学、有说服力。
3. 显著的性能提升： 在基本不牺牲实时性的前提下，将基线模型的检测精度提升了近两倍（196%），成效非常突出。
4. 工程实用性强： 所有改进均基于广泛使用的YOLOv5框架，易于复现和集成。改进方法兼顾了精度与速度，具有很高的实际部署价值。
5. 深入的效果分析： 不仅提供了数值指标，还通过可视化对比（图15）直观展示了改进前后检测效果的巨大差异，增强了结果的可信度。

七、 其他有价值的内容

研究团队在与其他先进模型的对比（见表6）中指出，虽然他们最终模型的绝对精度（AP 20.60%）略低于当时VisDrone-2020榜单上的一些集成或复杂模型（如DPNet-Ensemble， AP 29.62%），但他们的模型在检测速度上具有压倒性优势（55 FPS vs. DPNet-Ensemble的6 FPS），实现了近9倍的加速。这凸显了本研究在实时性方面的巨大优势，更符合无人机平台对快速响应的实际需求。

此外，论文也坦诚地指出了本研究的局限性：1）实验主要针对小目标，未评估改进对大目标检测的影响；2）仅在COCO和VisDrone数据集上验证，需要在更多无人机数据集上进行测试；3）实验基于高性能GPU（RTX 2080Ti），在TX2、Nano等嵌入式设备上的实时性有待进一步验证。这些为后续研究指明了方向。