基于改进YOLOv11的雾天目标检测算法

doi:10.11772/j.issn.1001-9081.2025070921

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2630-2639.DOI: 10.11772/j.issn.1001-9081.2025070921

• 多媒体计算与计算机仿真 • 上一篇

基于改进YOLOv11的雾天目标检测算法

汤莉, 张健宇(), 姚睿

天津财经大学理工学院，天津 300222

收稿日期:2025-08-11 修回日期:2025-09-26 接受日期:2025-09-29 发布日期:2025-11-05 出版日期:2026-08-10
通讯作者: 张健宇
作者简介:汤莉（1979—），女，河北衡水人，副教授，博士，CCF会员，主要研究方向：人工智能、数据挖掘
张健宇（1998—），男，黑龙江哈尔滨人，硕士研究生，主要研究方向：图像处理、深度学习
姚睿（2000—），女，河北邢台人，硕士研究生，主要研究方向：图像处理、深度学习。
基金资助:
国家自然科学基金资助项目(12271395)

Object detection algorithm based on improved YOLOv11 in foggy weather

Li TANG, Jianyu ZHANG(), Rui YAO

School of Science and Technology，Tianjin University of Finance and Economics，Tianjin 300222，China

Received:2025-08-11 Revised:2025-09-26 Accepted:2025-09-29 Online:2025-11-05 Published:2026-08-10
Contact: Jianyu ZHANG
About author:TANG Li， born in 1979， Ph. D.， associate professor. Her research interests include artificial intelligence， data mining.
YAO Rui， born in 2000， M. S. candidate. Her research interests include image processing， deep learning.
Supported by:
National Natural Science Foundation of China(12271395)

摘要/Abstract

摘要：

针对雾天等恶劣天气下多尺度目标难以检测，包括目标间重叠遮挡严重以及图像能见度低，导致误检和漏检频发等问题，提出一种基于改进YOLOv11的雾天目标检测算法MFA-YOLO （Multi-scale frequency-aware Feature Alignment YOLO）。首先，设计多尺度边缘特征增强模块C3k2_MSEFE （C3k2_Multi-Scale Edge Feature Enhancement）替换YOLOv11网络中的C3k2模块，以增强网络对多尺度目标的特征提取能力；其次，设计轻量化频率感知特征金字塔网络（LFFPN）应对因雾天图像对比度低所导致的边界框定位不准问题，以提升检测的准确性和鲁棒性；最后，设计动态特征对齐检测头（DFADHead）以通过动态卷积和任务分解等机制提升对密集场景下重叠遮挡目标的识别能力。实验结果表明，在RTTS数据集上，所提算法的mAP@50和mAP@50：95分别达到76.5%和52.6%，与基础模型相比，分别提升了2.7和1.9个百分点，同时参数量和模型大小分别下降了15.3%和23.4%。此外，在Cityscapes数据集合成的两种不同雾浓度的雾天图像上的验证结果表明，所提算法的mAP@50分别为48.5%和46.7%，与YOLOv11s相比，分别提升了2.4和3.5个百分点，进一步证明了所提算法在多种雾天场景下的适应性和有效性。

关键词: 目标检测, YOLOv11, 雾天, 多尺度边缘特征增强, 频率感知, 动态特征对齐

Abstract:

To address challenges of detecting multi-scale objects under adverse weather conditions such as fog weather， including severe occlusion， low image visibility， leading to frequent false positives and missed detections， a object detection algorithm based on improved YOLOv11 in foggy weather， named MFA-YOLO （Multi-scale frequency-aware Feature Alignment YOLO）， was proposed. First， the multi-scale edge feature enhancement module C3k2_MSEFE （C3k2_Multi-Scale Edge Feature Enhancement） was designed to replace the C3k2 module in YOLOv11 network， so as to enhance network’s ability to extract features from multi-scale objects. Second， the Lightweight Frequency-Aware Feature Pyramid Network （LFFPN） was designed to address the issue of inaccurate bounding box localization caused by low contrast in foggy images， so as to improve both accuracy and robustness of detection. Finally， the Dynamic Feature Alignment Detection Head （DFADHead） was designed to strengthen capability to detect overlapping and occluded objects in dense scenarios through mechanisms such as dynamic convolution and task decomposition. Experimental results demonstrate that on the RTTS dataset， the proposed algorithm achieves an mAP@50 of 76.5% and an mAP@50：95 of 52.6%， representing improvements of 2.7 and 1.9 percentage points compared to the baseline model， respectively. Meanwhile， the number of parameters and model size are reduced by 15.3% and 23.4%， respectively. Furthermore， verification results on two types of foggy images with different fog concentrations synthesized from Cityscapes dataset show that the proposed algorithm achieves the mAP@50 of 48.5% and 46.7%， respectively， which are 2.4 and 3.5 percentage points higher than those of YOLOv11s， respectively， further validating the adaptability and effectiveness of the proposed algorithm in various foggy weather scenarios.

Key words: object detection, YOLOv11, foggy weather, multi-scale edge feature enhancement, frequency-aware, dynamic feature alignment

中图分类号:

TP391.41

汤莉, 张健宇, 姚睿. 基于改进YOLOv11的雾天目标检测算法[J]. 计算机应用, 2026, 46(8): 2630-2639.

Li TANG, Jianyu ZHANG, Rui YAO. Object detection algorithm based on improved YOLOv11 in foggy weather[J]. Journal of Computer Applications, 2026, 46(8): 2630-2639.

图/表 14

参考文献 31

[1]	梁中豪，彭德巍，金彦旭，等. 基于交通场景区域增强的单幅图像去雾方法［J］. 计算机应用， 2018， 38（5）： 1420-1426.
	Liang Zhonghao， Peng Dewei， Jin Yanxu， et al. Single-image dehazing method based on traffic scene region enhancement［J］. Journal of Computer Applications， 2018， 38（5）： 1420-1426.
[2]	郭璠，蔡自兴，谢斌，等. 图像去雾技术研究综述与展望［J］. 计算机应用， 2010， 30（9）： 2417-2421.
	Guo Fan， Cai Zixing， Xie Bin， et al. Review and prospect of image dehazing techniques［J］. Journal of Computer Applications， 2010， 30（9）： 2417-2421.
[3]	Dalal N， Triggs B. Histograms of oriented gradients for human detection［C］// CVPR 2005. Piscataway： IEEE， 2005： 886-893.
[4]	Lowe D G. Distinctive image features from scale-invariant keypoints［J］. International Journal of Computer Vision， 2004， 60（2）： 91-110.
[5]	Hornyák O， Iantovics L B. AdaBoost algorithm could lead to weak results for data with certain characteristics［J］. Mathematics， 2023， 11（8）： No.1801.
[6]	Valero-Carreras D， Alcaraz J， Landete M. Comparing two SVM models through different metrics based on the confusion matrix［J］. Computers and Operations Research， 2023， 152： No.106131.
[7]	Girshick R， Donahue J， Darrell T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// CVPR 2014. Piscataway： IEEE， 2014： 580-587.
[8]	Girshick R. Fast R-CNN［C］// ICCV 2015. Piscataway： IEEE， 2015： 1440-1448.
[9]	Ren S， He K， Girshick R， et al. Faster R-CNN： towards real time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
[10]	Hussain M. YOLOv1 to v8： unveiling each variant： a comprehensive review of YOLO［J］. IEEE Access， 2024， 12： 42816-42833.
[11]	Liu W， Anguelov D， Erhan D， et al. SSD： single shot MultiBox detector［C］// ECCV 2016， LNCS 9905. Cham： Springer， 2016： 21-37.
[12]	Zhang L J， Fang J J， Liu Y X， et al. CR-YOLOv8： Multiscale object detection in traffic sign images［J］. IEEE Access， 2024， 12： 219-228.
[13]	Yue S， Zhang Z， Shi Y， et al. WGS-YOLO： a real-time object detector based on YOLO framework for autonomous driving［J］. Computer Vision and Image Understanding， 2024， 249： No.104200.
[14]	Niu Y， Zhang J. YOLOP-MVF： a multi-task autonomous driving perception detection method based on multi-scale feature weighted fusion［J］. IEEE Access， 2025， 13： 91374-91383.
[15]	Ren H， Jing F， Li S. DCW-YOLO： road object detection algorithms for autonomous driving［J］. IEEE Access， 2025， 13： 125676-125688.
[16]	Cheng S， Chen L， Yang K. DGSS-YOLOv8s： a real-time model for small and complex object detection in autonomous vehicles［J］. Algorithms， 2025， 18（6）： No.358.
[17]	Ma H， Zhao W， Liu B， et al. Multi-scale target detection in autonomous driving scenarios based on YOLOv5-AFAM［J］. Applied Sciences， 2024， 14（11）： No.4633.
[18]	Liu W， Ren G， Yu R， et al. Image-adaptive YOLO for object detection in adverse weather conditions［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2022， 36（2）： 1792-1800.
[19]	Yuan Y， Wei Y， Guo Y， et al. CME-YOLO： a cross-modal enhanced YOLO algorithm for adverse weather object detection in autonomous driving［J］. Big Data and Cognitive Computing， 2025， 9（4）： No.92.
[20]	Cai W， Chen Y， Qiu X， et al. LLD-YOLO： a low-light object detection algorithm based on dynamic weighted fusion of shallow and deep features［J］. IEEE Access， 2025， 13： 69967-69979.
[21]	Gao S， Zhang P， Yan T， et al. Multi-scale and detail-enhanced segment anything model for salient object detection［C］// MM 2024. New York： ACM， 2024： 9894-9903.
[22]	Chen L， Fu Y， Gu L， et al. Frequency-aware feature fusion for dense image prediction［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2024， 46（12）： 10763-10780.
[23]	Li H， Li J， Wei H， et al. Slim-neck by GSConv： a lightweight-design for real-time detector architectures［J］. Journal of Real-Time Image Processing， 2024， 21（3）： No.62.
[24]	Feng C， Zhong Y， Gao Y， et al. TOOD： task-aligned one-stage object detection［C］// ICCV 2021. Piscataway： IEEE， 2021： 3490-3499.
[25]	Li B， Ren W， Fu D， et al. Benchmarking single-image dehazing and beyond［J］. IEEE Transactions on Image Processing， 2018， 28（1）： 492-505.
[26]	Sakaridis C， Dai D， van Gool L. Semantic foggy scene understanding with synthetic data［J］. International Journal of Computer Vision， 2018， 126（9）： 973-992.
[27]	Tong J. AOD-Net： a lightweight real-time fruit detection algorithm for agricultural automation［J］. Journal of Food Measurement and Characterization， 2025， 19（4）： 2818-2830.
[28]	Liu X， Ma Y， Shi Z， et al. GridDehazeNet： attention-based multi-scale network for image dehazing［C］// ICCV 2019. Piscataway： IEEE， 2019： 7313-7322.
[29]	Meng X， Liu Y， Fan L， et al. YOLOv5s-Fog： an improved model based on YOLOv5s for object detection in foggy weather scenarios［J］. Sensors， 2023， 23（11）： No.5321.
[30]	Wang C， He W， Nie Y， et al. Gold-YOLO： efficient object detector via gather-and-distribute mechanism［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 51094-51112.
[31]	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.

参数	设定值
训练轮数（epoch）	200
批量大小（batch size）	16
进程数（workers）	8
关闭Mosaic增强epoch数（close_mosaic）	10
图片尺寸（imgsz）	640×640
初始学习率（lr0）	0.01
权重衰减系数（weight_decays）	0.000 5
学习率动量（momentum）	0.937
优化器（optimizer）	SGD
自动混合精度（amp）	True

参数	设定值
训练轮数（epoch）	200
批量大小（batch size）	16
进程数（workers）	8
关闭Mosaic增强epoch数（close_mosaic）	10
图片尺寸（imgsz）	640×640
初始学习率（lr0）	0.01
权重衰减系数（weight_decays）	0.000 5
学习率动量（momentum）	0.937
优化器（optimizer）	SGD
自动混合精度（amp）	True

实验序号	改进策略				mAP@50/%	mAP@50：95/%	R/%	参数量/10⁶	浮点运算量/GFLOPs	模型大小/MB
实验序号	基线	M1	M2	M3	mAP@50/%	mAP@50：95/%	R/%	参数量/10⁶	浮点运算量/GFLOPs	模型大小/MB
1	√				73.8	50.7	66.3	9.4	21.3	18.3
2	√	√			74.8	50.3	64.5	9.7	22.7	19.5
3	√		√		74.2	50.3	68.1	7.6	16.9	15.7
4	√			√	75.0	51.7	66.6	8.7	30.0	17.7
5	√	√	√		75.8	50.7	67.9	7.6	18.0	15.5
6	√	√		√	75.5	51.3	68.2	9.1	32.4	19.3
7	√		√	√	76.0	52.5	67.1	6.9	24.8	14.2
8	√	√	√	√	76.5	52.6	68.5	7.2	27.0	15.5

实验序号	改进策略				mAP@50/%	mAP@50：95/%	R/%	参数量/10⁶	浮点运算量/GFLOPs	模型大小/MB
实验序号	基线	M1	M2	M3	mAP@50/%	mAP@50：95/%	R/%	参数量/10⁶	浮点运算量/GFLOPs	模型大小/MB
1	√				73.8	50.7	66.3	9.4	21.3	18.3
2	√	√			74.8	50.3	64.5	9.7	22.7	19.5
3	√		√		74.2	50.3	68.1	7.6	16.9	15.7
4	√			√	75.0	51.7	66.6	8.7	30.0	17.7
5	√	√	√		75.8	50.7	67.9	7.6	18.0	15.5
6	√	√		√	75.5	51.3	68.2	9.1	32.4	19.3
7	√		√	√	76.0	52.5	67.1	6.9	24.8	14.2
8	√	√	√	√	76.5	52.6	68.5	7.2	27.0	15.5

实验序号	改进策略				AP@50					mAP@50
实验序号	基线	M1	M2	M3	bicycle	bus	car	motorbike	person	mAP@50
1	√				64.1	65.4	88.5	69.0	81.7	73.8
2	√	√			65.1	66.6	88.6	71.1	82.7	74.8
3	√	√	√		66.3	68.7	89.0	71.9	82.9	75.8
4	√	√	√	√	66.6	67.6	89.2	75.9	83.1	76.5

基于改进YOLOv11的雾天目标检测算法

Object detection algorithm based on improved YOLOv11 in foggy weather

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 31

相关文章 15

编辑推荐

Metrics

算法	mAP@50/%	mAP@50：95/%	参数量/10⁶
Faster_rcnn_r101	60.6	32.9	60.1
Retinanet_r101	67.6	41.9	55.2
SSD	72.4	45.2	25.0
YOLOv3	72.0	40.4	61.6
YOLOv4s	72.4	44.7	9.1
YOLOv5s	70.3	43.3	7.2
YOLOv5s-Fog^［29］	73.6	45.7	26.9
YOLOv6s	70.4	44.0	17.2
YOLOv7s-tiny	71.6	42.6	6.0
YOLOv8s	73.7	50.1	11.1
YOLOv10s	71.8	48.9	8.0
YOLOv11s	73.8	50.7	9.4
Gold-YOLOs^［30］	73.0	48.5	21.5
ASF-YOLOs^［31］	74.2	47.6	7.3
AOD+YOLOv11s	73.6	49.2	9.4
GridDehazeNet+YOLOv11s	74.6	50.4	10.4
IA-YOLO	54.8		61.7
MFA-YOLO	76.5	52.6	7.2

算法	浓度为0.01			浓度为0.02
算法	mAP@50/%	mAP@50：95/%	参数量/10⁶	mAP@50/%	mAP@50：95/%	参数量/10⁶
YOLOv5s	46.8	27.0	7.2	43.8	25.3	7.2
YOLOv8s	46.0	27.0	11.1	44.4	26.0	11.1
YOLOv10s	45.2	25.8	8.0	44.0	25.2	8.0
YOLOv11s	46.1	26.9	9.4	43.2	25.3	9.4
Gold-YOLOs	43.2	24.3	21.5	41.4	23.2	21.5
ASF-YOLOs	42.3	22.7	7.3	39.3	21.3	7.3
MFA-YOLO	48.5	28.5	7.2	46.7	26.9	7.2

[1]	张纾豪, 何坤金, 徐佳晨, 沙河山, 陈正鸣. 融合透视校正与轻量注意力机制的轮毂缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 2007-2015.
[2]	尹秋燕, 丁婧, 聂志刚. 无人机航拍视角下的人体姿态估计算法YOLO-AirPose[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1989-1997.
[3]	杜艺, 续明进, 孔佳仪, 王力瑶, 赵晨. 基于YOLOv11的低秩自适应参数高效微调算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1738-1745.
[4]	吴闵奇, 杨元华, 李航, 胡雅琴, 汤智豪, 梅腾. 基于图Transformer和RT-DETR的轻量化水下小目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1586-1595.
[5]	张红瑞, 冯威铭, 杨潞霞, 马永杰. 基于YOLO11改进的水下小目标检测算法CSAF-YOLO[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1578-1585.
[6]	张永兵, 闫丽蓉, 唐晓芬. 渐进式双阶段模态交互的单域泛化目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1264-1274.
[7]	何帅, 邓春华. 基于YOLO-World的少样本学习目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1275-1282.
[8]	陈鹏, 李旭, 余肖生. RGB-D双流镜像伪装目标检测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1253-1263.
[9]	郭阳, 王海亮, 高需, 王海涛, 王翌博. BEV三维目标检测算法体系综述[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1238-1252.
[10]	于银山, 唐旭, 丁明鉴, 黄文凯, 毕嘉文, 谭国辰. 基于YOLOv10的实时车辆检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 950-958.
[11]	刘权捷, 顾兆一, 王春源. 复杂光照条件下的不安全驾驶行为检测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 613-619.
[12]	樊跃波, 陈明轩, 汤显, 高永彬, 李文超. 基于多维频域特征融合的人物交互检测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 580-586.
[13]	李明光, 陶重犇. 基于Mamba模型的分级跨模态融合三维目标检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 572-579.
[14]	谢斌红, 王瑞, 张睿, 张英俊. 代理原型蒸馏的小样本目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 233-241.
[15]	李世伟, 周昱峰, 孙鹏飞, 刘伟松, 孟竹喧, 廉浩杰. 基于煤尘对激光雷达电磁波散射和吸收效应的点云数据增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 331-340.