基于改进YOLOv8的航拍无人机小目标检测模型

doi:10.11772/j.issn.1001-9081.2024070946

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (7): 2342-2350.DOI: 10.11772/j.issn.1001-9081.2024070946

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于改进YOLOv8的航拍无人机小目标检测模型

范博淦, 王淑青(), 陈开元

湖北工业大学电气与电子工程学院，武汉 430068

收稿日期:2024-07-08 修回日期:2024-10-11 接受日期:2024-10-11 发布日期:2025-07-10 出版日期:2025-07-10
通讯作者: 王淑青
作者简介:范博淦（2001—），男，安徽六安人，硕士研究生，CCF学生会员，主要研究方向：目标检测、图像处理
王淑青（1968—），女，河北衡水人，教授，博士，主要研究方向：工业控制、机器视觉、图像处理 w2246102938@163.com
陈开元（2000—），男，湖北十堰人，硕士研究生，主要研究方向：目标检测、图像处理。
基金资助:
国家自然科学基金资助项目(62306107)

Small target detection model for UAV aerial photography based on improved YOLOv8

Bogan FAN, Shuqing WANG(), Kaiyuan CHEN

School of Electrical and Electronic Engineering，Hubei University of Technology，Wuhan Hubei 430068，China

Received:2024-07-08 Revised:2024-10-11 Accepted:2024-10-11 Online:2025-07-10 Published:2025-07-10
Contact: Shuqing WANG
About author:FAN Bogan， born in 2001， M. S. candidate. His research interests include target detection， image processing.
WANG Shuqing， born in 1968， Ph. D.， professor. Her research interests include industrial control， machine vision， image processing.
CHEN Kaiyuan， born in 2000， M. S. candidate. His research interests include target detection， image processing.
Supported by:
National Natural Science Foundation of China(62306107)

摘要/Abstract

摘要：

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。

关键词: YOLOv8, C2f, 无人机, 小目标检测, Inner-EIoU

Abstract:

Aiming at the current problem of low performance as well as missed and false detection of small targets in Unmanned Aerial Vehicle （UAV） perspective， an improved BDS-YOLO （BiFPN-Dual-Small target detection-YOLO） model based on YOLOv8 was proposed. Firstly， RepViTBlock （Revisiting mobile CNN from ViT perspective Block） and EMA （Efficient Multi-scale Attention） mechanism were used to construct C2f-RE （C2f-RepViTBlock Efficient multi-scale attention） to improve deep C2f （faster implementation of CSP bottleneck with 2 Convolutions） module in the backbone network， thereby enhancing the model’s ability to extract small target features and reducing the number of parameters. Secondly， BiFPN （Bi-directional Feature Pyramid Network） was used to reconstruct the neck network， so that features at different levels were able to be fused with each other. Thirdly， a dual small target detection layer was constructed on the basis of the improved neck network， and the layer was combined with shallow and shallowest features to improve detection ability of the model for small targets. Finally， the improved loss function Inner-EIoU （Inner-Efficient-Intersection over Union） was introduced. In this function， a more reasonable aspect ratio measure method was used and the limitations of IoU （Intersection over Union） itself were addressed. Experimental results show that compared to the original model on VisDrone2019 dataset， the improved model improves the precision， recall， mAP@50， and mAP@50：95 by 8.5， 7.7， 9.2， and 6.3 percentage points， respectively， with parameters of only 2.23×10⁶， which means a reduction in model size of 19.1%. It can be seen that the proposed model improves performance significantly while achieving certain lightweight.

Key words: YOLOv8, C2f (faster implementation of CSP bottleneck with 2 Convolutions), Unmanned Aerial Vehicle (UAV), small target detection, Inner-EIoU (Inner-Efficient-Intersection over Union)

中图分类号:

TP391.4

范博淦, 王淑青, 陈开元. 基于改进YOLOv8的航拍无人机小目标检测模型[J]. 计算机应用, 2025, 45(7): 2342-2350.

Bogan FAN, Shuqing WANG, Kaiyuan CHEN. Small target detection model for UAV aerial photography based on improved YOLOv8[J]. Journal of Computer Applications, 2025, 45(7): 2342-2350.

图/表 15

参考文献 39

[1]	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2999-3007.
[2]	LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multiBox detector ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9905. Cham： Springer， 2016： 21-37.
[3]	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 779-788.
[4]	REDMON J， FARHADI A. YOLO9000： better， faster， stronger ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 6517-6525.
[5]	REDMON J， FARHADI A. YOLOv3： an incremental improvement ［EB/OL］. ［2024-07-01］. .
[6]	范江霞，张文豪，张丽丽，等.改进YOLOv5的无人机影像车辆检测方法［J］.遥感信息，2023， 38（3）： 114-121.
	FAN J X， ZHANG W H， ZHANG L L， et al. Vehicle detection method of UAV imagery based on improved YOLOv5 ［J］. Remote Sensing Information， 2023， 38（3）： 114-121.
[7]	张华卫，张文飞，蒋占军，等.引入上下文信息和Attention Gate的GUS-YOLO遥感目标检测算法［J］.计算机科学与探索，2024， 18（2）： 453-464.
	ZHANG H W， ZHANG W F， JIANG Z J， et al. GUS-YOLO remote sensing target detection algorithm introducing context in-information and Attention Gate ［J］. Journal of Frontiers of Computer Science and Technology， 2024， 18（2）： 453-464.
[8]	黄海生，饶雪峰.面向无人机航拍场景的轻量化目标检测［J］.计算机系统应用，2022， 31（12）： 159-168.
	HUANG H S， RAO X F. Lightweight object detection for drone-captured scenarios ［J］. Computer Systems and Applications， 2022， 31（12）： 159-168.
[9]	潘玮，韦超，钱春雨，等.面向无人机视角下小目标检测的YOLOv8s改进模型［J］.计算机工程与应用，2024， 60（9）： 142-150.
	PAN W， WEI C， QIAN C Y， et al. Improved YOLOv8s model for small object detection from perspective of drones ［J］. Computer Engineering and Applications， 2024， 60（9）： 142-150.
[10]	梁秀满，贾梓涵，刘振东，等.改进YOLOv8n的无人机航拍图像检测算法［J/OL］.电光与控制［2024-09-10］..
	LIANG X M， JIA Z H， LIU Z D， et al. A UAV aerial image detection algorithm based on improved YOLOv 8n ［J/OL］. Electronics Optics and Control［2024-09-10］..
[11]	沈学利，王灵超.基于YOLOv8n的无人机航拍目标检测［J］.计算机系统应用，2024， 33（7）： 139-148.
	SHEN X L， WANG L C. UAV aerial photography target detection based on YOLOv8n ［J］. Computer Systems and Applications， 2024， 33（7）： 139-148.
[12]	李岩超，史卫亚，冯灿.面向无人机航拍小目标检测的轻量级YOLOv8检测算法［J］.计算机工程与应用，2024， 60（17）： 167-178.
	LI Y C， SHI W Y， FENG C. Lightweight YOLOv8 detection algorithm for small object detection in UAV aerial photography ［J］. Computer Engineering and Applications， 2024， 60（17）： 167-178.
[13]	HOU Q， ZHOU D， FENG J. Coordinate attention for efficient mobile network design ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 13708-13717.
[14]	WANG A， CHEN H， LIN Z， et al. Rep ViT： revisiting mobile CNN from ViT perspective ［C］// Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2024： 15909-15920.
[15]	OUYANG D， HE S， ZHANG G， et al. Efficient multi-scale attention module with cross-spatial learning ［C］// Proceedings of the 2023 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2023： 1-5.
[16]	TAN M， PANG R， LE Q V. EfficientDet： scalable and efficient object detection ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 10778-10787.
[17]	BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection ［EB/OL］. ［2024-05-10］. .
[18]	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 936-944.
[19]	ZHANG H， XU C， ZHANG S. Inner-IoU： more effective intersection over union loss with auxiliary bounding box ［EB/OL］. ［2024-07-01］. .
[20]	ZHANG Y F， REN W， ZHANG Z， et al. Focal and efficient IOU loss for accurate bounding box regression ［J］. Neurocomputing， 2022， 506： 146-157.
[21]	ZHENG Z， WANG P， LIU W， et al. Distance-IoU loss： faster and better learning for bounding box regression ［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 12993-13000.
[22]	GE Z， LIU S， WANG F， et al. YOLOx： exceeding YOLO series in 2021 ［EB/OL］. ［2024-07-01］. .
[23]	JIANG B， LOU R， MAO J， et al. Acquisition of localization confidence for accurate object detection ［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11218. Cham： Springer， 2018： 816-832.
[24]	REZATOFIGHI H， TSOI N， GWAK J， et al. Generalized intersection over union： a metric and a loss for bounding box regression ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 658-666.
[25]	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16x16 words： Transformers for images recognition at scale ［EB/OL］. ［2024-07-01］. .
[26]	HOWARD A， SANDLER M， CHU G， et al. Searching for MobileNetV3 ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 1314-1324.
[27]	HU J， SHEN L， SUN G. Squeeze-and-excitation networks ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141.
[28]	YIN X， GOUDRIAAN JAN， LANTINGA E A， et al. A flexible sigmoid function of determinate growth ［J］. Annals of Botany， 2003， 91（3）： 361-371.
[29]	DU D， ZHU P， WEN L， et al. VisDrone-DET2019： the vision meets drone object detection in image challenge results ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision Workshops. Piscataway： IEEE， 2019： 213-226.
[30]	GEVORGYAN Z. SIoU loss： more powerful learning for bounding box regression ［EB/OL］. ［2024-06-05］. .
[31]	WANG J， XU C， YANG W， et al. A normalized Gaussian Wasserstein distance for tiny object detection ［EB/OL］. ［2024-07-01］. .
[32]	MA S， XU Y. MPDIoU： a loss for efficient and accurate bounding box regression ［EB/OL］. ［2024-06-05］. .
[33]	KANG M， TING C M， TING F F， et al. ASF-YOLO： a novel YOLO model with attentional scale sequence fusion for cell instance segmentation ［J］. Image and Vision Computing， 2024， 147： No.105057.
[34]	王舒梦，徐慧英，朱信忠，等.基于改进YOLOv8n航拍轻量化小目标检测算法：PECS-YOLO ［J/OL］.计算机工程［2024-06-01］. .
	WANG S M， XU H Y， ZHU X Z， et al. Lightweight small object detection algorithm based on improved YOLOv8n aerial photography： PECS-YOLO ［J/OL］. Computer Engineering ［2024-06-01］. .
[35]	ZHANG Z. Drone-YOLO： an efficient neural network method for target detection in drone images ［J］. Drones， 2023， 7（8）： No.526.
[36]	李姝，李思远，刘国庆.基于YOLOv8无人机航拍图像的小目标检测算法研究［J］.小型微型计算机系统，2024， 45（9）： 2165-2174.
	LI S， LI S Y， LIU G Q. Research on small target detection algorithm based on YOLOv8 UAV aerial images ［J］. Journal of Chinese Computer Systems， 2024， 45（9）： 2165-2174.
[37]	胡清翔，饶文碧，熊盛武.面向无人机遥感场景的轻量级小目标检测算法［J］.计算机工程，2023， 49（12）： 169-177.
	HU Q X， RAO W B， XIONG S W. Lightweight small object detection algorithm for UAV remote sensing scene ［J］. Computer Engineering， 2023， 49（12）： 169-177.
[38]	WANG G， CHEN Y， AN P， et al. UAV-YOLOv8： a small-object -detection model based on improved YOLOv8 for UAV aerial photography scenarios ［J］. Sensors， 2023， 23（16）： No.7190.
[39]	付锦燚，张自嘉，孙伟，等.改进YOLOv8的航拍图像小目标检测算法［J］.计算机工程与应用，2024， 60（6）： 100-109.
	FU J Y， ZHANG Z J， SUN W， et al. Improved YOLOv8 small target detection algorithm in aerial images ［J］. Computer Engineering and Applications， 2024， 60（6）： 100-109.

参数	设置	参数	设置
epochs	200	Irf	0.01
imgsz	640	patience	20
batch	8	Ir0	0.01
workers	8	momentum	0.937

参数	设置	参数	设置
epochs	200	Irf	0.01
imgsz	640	patience	20
batch	8	Ir0	0.01
workers	8	momentum	0.937

位置	精确率	召回率	mAP@50	mAP@50：95
P5	0.531	0.416	0.424	0.248
P4 P5	0.516	0.413	0.423	0.246
P3 P4 P5	0.511	0.411	0.418	0.244
P2 P3 P4 P5	0.512	0.407	0.414	0.241
P1 P2 P3 P4 P5	0.514	0.403	0.411	0.238

位置	精确率	召回率	mAP@50	mAP@50：95
P5	0.531	0.416	0.424	0.248
P4 P5	0.516	0.413	0.423	0.246
P3 P4 P5	0.511	0.411	0.418	0.244
P2 P3 P4 P5	0.512	0.407	0.414	0.241
P1 P2 P3 P4 P5	0.514	0.403	0.411	0.238

ratio	精确率	召回率	mAP@50	mAP@50：95
0.8	0.461	0.337	0.332	0.188
0.9	0.458	0.339	0.333	0.190
1.0	0.439	0.342	0.333	0.189
1.1	0.465	0.343	0.338	0.192
1.2	0.460	0.332	0.332	0.190
1.3	0.444	0.343	0.333	0.190
1.4	0.464	0.336	0.332	0.189

基于改进YOLOv8的航拍无人机小目标检测模型

Small target detection model for UAV aerial photography based on improved YOLOv8

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 39

相关文章 15

编辑推荐

Metrics

损失函数	精确率	召回率	mAP@50	mAP@50：95
Inner-EIoU	0.465	0.343	0.338	0.192
SIoU	0.447	0.340	0.330	0.187
NWD	0.458	0.342	0.334	0.174
Inner-MPDIoU	0.438	0.343	0.333	0.188

模型	C2f-RE	BiFPN	P2检测层	P1检测层	Inner-EIoU	模型大小/MB	参数量/10⁶	精确率	召回率	mAP@50	mAP@50：95
A						5.97	3.01	0.447	0.339	0.334	0.187
B	√					5.45	2.76	0.449	0.347	0.336	0.191
C		√				7.66	3.88	0.465	0.356	0.354	0.201
D		√	√			4.64	2.23	0.471	0.377	0.378	0.217
E		√	√	√		5.25	2.46	0.506	0.416	0.416	0.241
F					√	5.97	3.01	0.465	0.343	0.338	0.192
G	√	√	√	√		4.83	2.23	0.531	0.416	0.424	0.248
H	√	√	√	√	√	4.83	2.23	0.532	0.416	0.426	0.250

模型	模型大小/MB	参数量/10⁶	精确率	召回率	mAP@50	mAP@50：95
YOLOv3n	7.95	4.06	0.447	0.333	0.329	0.189
YOLOv5n	5.03	2.50	0.442	0.337	0.332	0.181
YOLOv6n	8.29	4.23	0.404	0.312	0.294	0.167
YOLOv8n	5.97	3.01	0.447	0.339	0.334	0.187
ASF-YOLO	5.08	2.52	0.436	0.341	0.33	0.186
YOLOv8s	24.10	11.10	0.521	0.401	0.404	0.233
BDS-YOLOv8n	4.83	2.23	0.532	0.416	0.426	0.250
BDS-YOLOv8s	15.70	7.95	0.590	0.486	0.502	0.295

模型	参数量/10⁶	mAP@50	帧率/（frame·s^-1）
PECS-YOLO^［34］	2.60	0.368	385
Drone-YOLO （tiny）^［35］	5.40	0.428	—
LW-YOLO^［36］	5.56	0.429	94
SS-YOLO^［37］	4.60	0.459	87
UAV-YOLOv8^［38］	10.30	0.470	51
CA-YOLOv8^［39］	7.40	0.488	62
BDS-YOLOv8s	7.95	0.502	106

[1]	李姝, 刘国庆, 李思远, 秦耀昌. 大范围复杂环境下多无人机的快速全自主探索方法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2317-2324.
[2]	陈亮, 王璇, 雷坤. 复杂场景下跨层多尺度特征融合的安全帽佩戴检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2333-2341.
[3]	林柄权, 刘磊, 李华峰, 刘晨. DoS攻击下基于APF和DDPG算法的无人机安全集群控制[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1241-1248.
[4]	王泉, 曹心雨, 陈祺东. 面向车路协同的路侧交通目标检测模型及部署[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 1016-1024.
[5]	王兴旺, 张清杨, 姜守勇, 董永权. 基于改进鲸鱼优化算法的动态无人机路径规划[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 928-936.
[6]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[7]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[8]	桂佳扬, 王顺吉, 周正康, 唐加山. 基于改进YOLOv8n的隧道内异物检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 655-661.
[9]	刘赏, 周煜炜, 代娆, 董林芳, 刘猛. 融合注意力和上下文信息的遥感图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 292-300.
[10]	穆凌霞, 周政君, 王斑, 张友民, 薛向宏, 宁凯凯. 多无人机编队避障和编队重构方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2938-2946.
[11]	李烨恒, 罗光圣, 苏前敏. 基于改进YOLOv5的Logo检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2580-2587.
[12]	姬张建, 杜娜. 基于改进VariFocalNet的微小目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2200-2207.
[13]	刘越, 刘芳, 武奥运, 柴秋月, 王天笑. 基于自注意力机制与图卷积的3D目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1972-1977.
[14]	耿焕同, 刘振宇, 蒋骏, 范子辰, 李嘉兴. 基于改进YOLOv8的嵌入式道路裂缝检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1613-1618.
[15]	黄天宇, 李远兴, 陈昊, 郭紫佳, 魏明军. 地空协同场景下加权模糊聚类用户簇划分方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1555-1561.