YOLO-Tiny: A lightweight small object detection algorithm for UAV aerial imagery
引用此论文 · BibTeX
引用信息对应所链接的论文版本,作者为原论文作者。
@article{objectdetectionyolotiny2025,
title = {{YOLO-Tiny: A lightweight small object detection algorithm for UAV aerial imagery}},
author = {Fei Feng and Lu Yang and Quanxing Zhou and Weipeng Li},
year = {2025},
journal = {IET Image Processing},
url = {https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314}
}
无人机已悄然飞入我们生活的各个缝隙。
但对于目标检测的算法来说,这个机器带来的问题真是烦死人了。
定义问题
无人机已经深入日常场景的每一个空隙,从航拍巡检到灾害检测,它所带来的大量图像也对目标检测算法提出了新的挑战。
对模型而言,无人机所拍摄的「天空视角」充满了不友善的条件:画面中目标尺寸极小、比例不一,还常常被背景干扰或部分遮蔽,进一步压缩了有效特征的辨识空间。同时,部署场景通常伴随极端的资源限制,让高性能模型即使准确也难以实际运作。
当前主流的目标检测方法虽然在性能上已趋成熟,尤其以 YOLO 系列为代表的单阶段算法,更因其速度优势成为实时应用首选,但原始架构仍难以直接应对高航拍摄与小目标检测的双重需求。
在过去的改良中,有人试图通过更换卷积模块、添加金字塔结构、引入注意力机制或进行跨层融合,来提升小物体辨识的效果;也有人将目光转向资料增强、候选框预设与尺度调整等训练环节。
但大多方法仍无法解决一个根本问题:要在小算力的终端设备上,做到实时、准确、稳定地辨识画面中那一点点微小的可疑目标,并不只是「压缩模型」这么简单。
这篇论文正是针对这个问题出发,以 YOLOv5s 为基础,提出一套针对 UAV 航拍任务所设计的轻量化小目标检测架构。
解决问题
回顾 YOLOv5
在 YOLOv5 的骨干结构中,640×640 输入图像经过五次下采样后,会产生五组不同分辨率的特征图(P1 至 P5),尺寸依序为 320×320、160×160、80×80、40×40、20×20。检测头使用其中的 P3–P5 进行多尺度预测。
其中,YOLOv5 的标准检测结构是从 P3(80×80)到 P5(20×20)进行多尺度融合,主要锁定 8×8 像素以上的物体。
但对无人机来说,这个尺寸下的门槛显然过高。
VisDrone2019 数据集的统计图给出了关键观察:
- 上图 (a) 表示:目标数量严重失衡,
- 上图 (b) 表示:重叠的标注框以较小尺寸居多,
- 上图 (c) 表示:框中心在画面中下区域较密集,
- 上图 (d) 表示:框的宽高组合多集中在小尺寸区域。
换句话说,这是一个「高度偏向小物体的航拍任务」,而 YOLOv5 现行设计在此条件下存在结构性偏差:预测层主要聚焦在 P3–P5,正是对极小目标最不友善的位置。
过去已有研究尝试于 YOLOv5 增设 P2 检测头(即 160×160 特征图)以捕捉更细微的信号,虽然检测力有所提升,却也让参数量与计算量同步飙升,对于资源有限的终端装置而言,代价太高。
有另外一部分研究者选择另一条路:移除 P5 层,将关注焦点回收至中小型物体。但这样的简化策略,准确率改善有限,未能真正突破瓶颈。
在这篇论文中,作者延续这条结构调整线,进一步移除 P4 层,将原先的三重检测结构,压缩为 P2 与 P3 的双层架构,集中火力于更早期、更高解析的特征图。
但这同时也带来另一个风险:
论文 Table 2 中,P4 + P5 占列出的 YOLOv5s 骨干 P1–P5 层参数的 92.1%。
直接移除这两层会大幅减少参数,也可能降低检测能力;这个 92.1% 不能当成完整模型的删减比例。
为了避免这种「轻量化过头」的问题,作者采用一种抵换策略:
- 在保留 P2 与 P3 的前提下,适度增加模型的深度与宽度
让特征抽取与融合能力维持在可接受水平。
在实际权衡后,作者选择了 depth = 0.67, width = 0.75 的配置,作为兼顾参数量与计算成本的折衷解。这样的选择不仅让模型保有足够的表达能力,也将 GFLOPs 控制在资源限制内,为后续模块轻量化铺下基础。
模块轻量化
在模型设计中,参数数量、计算成本(GFLOPs)与表达能力三者之间存在明显张力,这种张力尤其在无人机这类边缘装置中显得剧烈,我们既希望表达能力够强,又不能让参数过多。
先前在结构调整中,作者通过删减 P4 与 P5 检测头,使一组裁剪配置的参数量从 7.0M 降至约 1.3M;这是连同宽深调整后的配置,不能单独归因于删除两层。
为了补回这段损失,作者适度增加了深度与宽度,使参数略微回升;Table 3 的 GFLOPs 从基准 16.0 增至 24.5,约增加 53.1%。继续扩增至深度 1.00、宽度 1.00 时,表列 53.4 GFLOPs,成本更高。
为了解决这个矛盾,作者引入一种高效率的架构单元:
- 动态卷积(Dynamic Convolution)。
YOLOv5 中最核心的特征提取模块之一,是 C3 结构,内含大量的残差路径与卷积堆叠。
作者将其全面替换为新设计的 LW_C3,其关键变化如下:
-
LW_C3:将所有残差支路中的 3×3 常规卷积替换为3×3 动态卷积,保留结构深度,同时降低静态计算负担。
-
LW_Downsample:在融合支路后,以最后一层 stride=2 的 3×3 动态卷积下采样;图中仍保留前段的 CBS 模块。
动态卷积的核心精神,与动态感知机(Dynamic Perceptron)类似:
根据每个输入 ,从一组基底函数中动态选择合适的权重组合。
如下示意图:
论文用动态感知机说明输入决定权重的原理,其式子写作:
其中
并满足
这里的 就是每个输入对第 个卷积核的注意力权重。
本质上,我们不是学一组权重,而是学一个「选择」的机制,让模型根据输入内容,自行决定该偏向哪一种特征提取策略。
为了实现这套选择机制,作者采用常见的 SE 技术生成注意力权重,步骤如下:
- Global Average Pooling 压缩空间信息
- 经过全连接层与 Sigmoid,生成 个卷积核的权重;论文式 (3) 假设权重和为 1,但图 7 只画出 Sigmoid,尚不足以说明如何满足此条件
- 权重套用在 k 组预定义的卷积核上,完成动态加权卷积
对于输入通道 、输出通道 、核大小 、kernel 数量 ,论文所列的卷积核权重聚合成本为:
标准卷积对 特征图的主要计算量则为
这两项分别是「动态权重聚合」与「标准卷积」的成本;动态卷积仍需用聚合后的卷积核处理 个位置。
引入动态卷积后,模型得以在参数数量提升的同时,将 GFLOPs 成本控制在局部可接受范围。
这种设计让卷积核权重依输入而变;图 7 的权重生成支路使用全域池化,因此同一张特征图内的各位置共用聚合后的卷积核,不能说每个特征点都各自选权重。
多尺度自适应融合
在目标检测中,多尺度特征融合已是提升模型辨识力的基本操作,浅层网络擅长保留纹理与位置信息,深层网络则着重语义抽象与目标判断。
理论上,将二者融合,应能兼顾「看清楚」与「看懂了」。但这种融合并不容易:尺度差异带来语义断层,简单的拼接或加权,往往无法真正「整合」,只能「堆叠」。
为此,作者提出的 AMSFF(Adaptive Multi-Scale Spatial Feature Fusion)模块,即是为了解决这种融合失效问题所设计。
参考下图架构:
AMSFF 模块的运作逻辑如下,以 neck 部分的 L2(较浅层)与 L3(较深层)特征为例:
-
对齐尺度:L2 特征先经下采样,使空间分辨率与 L3 一致。
-
通道调整:接着通过 1×1 卷积,使 L2 的通道数与 L3 对齐,确保后续可进行逐元素操作。
-
初步融合:将调整过的 L2 与 L3 进行串接(concat),形成基础融合张量。
-
权重学习:经 1×1 卷积,计算出两组权重参数 与 ,作为两层特征的空间适应性权重,并通过 Softmax 保证其和为 1,且值落在 [0, 1] 之间。
-
加权融合:以这两组空间对应权重进行加权求和,计算公式如下:
$$ y^l_{i,j} = \alpha^l_{i,j} \cdot x^{(1 \to l)}_{i,j} + \beta^l_{i,j} \cdot x^{(2 \to l)}_{i,j} $$ 其中 $x^{(n \to l)}_{i,j}$ 表示第 n 层经过尺度对齐后对应到第 l 层位置 $(i,j)$ 的特征向量,$y^l_{i,j}$ 为融合后的新特征图。 -
语义扩展:融合结果分别经过两个 3×3 动态卷积,dilation rate 为 1 与 2,再将两路输出串接。
-
整合输出:最后通过一层 1×1 CBS 模块,作为后续检测头的输入。
与过去的融合方法(如 FPN、PAN、BiFPN)相比,AMSFF 的差异不只是加入了注意力机制,而是将融合本身视为一种「动态关系建构」。
实验设计
本研究使用的实验数据集为 VisDrone2019,由天津大学机器学习与资料挖掘实验室释出。
该数据集由无人机于各种天气与光照条件下所拍摄,涵盖城市、郊区、停车场与道路等多样场景,特别适用于测试模型在小物体和复杂背景条件下的辨识能力。
VisDrone2019 共有十个目标类别,总计 10,209 张图像,其中:
- 训练集:6,471 张
- 验证集:548 张
- 测试集:3,190 张
资料分布具有以下特征:
- 场景多样性高:从静态摆拍到运动追踪皆有涵盖;
- 物体尺寸偏小:图中的标注框宽高多集中于较小范围;
- 遮挡与光线变化明显:对模型泛化能力构成挑战。
下图显示了来自四种不同场景的样本图像与标注框:
实验采用标准 YOLO 训练流程,环境设定与超参数配置如下表所列:
讨论
网络架构调整对比实验
为评估各层检测头对小物体辨识的影响,本研究设计了 六组不同架构组合,并在相同训练条件下进行对比实验。具体结构变化如上表所示,对应的性能结果如下表:
实验结果可以看出几个关键现象:
-
加入 P2 检测头
在原本的 YOLOv5s 架构上新增 P2 检测头(分辨率为 160×160),模型在 VisDrone2019 数据集上的表现明显提升:
- [email protected] 提升 5.5 个百分点(32.6→38.1)
- [email protected]:0.95 提升 4.1 个百分点(17.4→21.5)
这代表模型获得了更高分辨率的特征对应能力,能够更早期地注意到画面中的微小目标。虽然参数量与 GFLOPs 略有增加,但整体成本仍可接受。
-
移除 P5 检测头
另一组实验是在保留 P2 检测头的情况下,移除 P5(20×20)检测头,目的是削减与大型物体相关的参数与计算:
- 相对「只增加 P2」的配置,[email protected] 增加 0.5 个百分点(38.1→38.6)
- [email protected]:0.95 下降 0.1 个百分点(21.5→21.4)
此举将参数量从 7.2M 降至 2.0M,但两项 mAP 一升一降。
-
同步移除 P4 + P5,并放大模型宽度和深度
最终版本则同时移除了 P5 与 P4,并将模型深度从 0.33 增至 0.67、宽度由 0.5 扩张至 0.75,以弥补过度裁剪所导致的表达能力削弱。
这一版本的结果最为显著:
- [email protected] 相对原 YOLOv5s 提升 8.3 个百分点(32.6→40.9)
- [email protected]:0.95 提升 5.3 个百分点(17.4→22.7)
但 Table 6 也显示,在尚未放大宽度和深度时,进一步移除 P4 会让 [email protected] 从 38.6% 降至 33.0%;最后的提升来自裁剪与扩大宽度和深度的组合。
这组对比实验说明,在 VisDrone2019 的设定中,P2/P3 检测头与加宽加深后的模型,可以在较少参数下取得更高 mAP;表格尚未分离每项改动的效果。
消融实验
为验证网络结构、LW_C3、LW_Downsample 与 AMSFF 的组合效果,作者设计了一组消融实验,于 VisDrone2019 上进行测试。
具体的优化组合如上表所示,性能结果汇整于下表:
Table 8 中,各单一模块列都建立在已调整网络结构的 YOLOv5_improve 上;完整 YOLO-Tiny 则同时加入三个模块。以下差值须依这个基准阅读:
-
结构优化
- 相对原 YOLOv5s,[email protected] +8.3 个百分点
- [email protected]:0.95 +5.3 个百分点
- 参数数量比原 YOLOv5s 减少 81.4%
- GFLOPs 上升约 53.1%(16.0→24.5)
裁剪 P4 与 P5 检测路径,让模型从较浅层的 P2、P3 进行检测;92.1% 是 Table 2 的骨干分层统计,并非完整模型的参数减幅。
为避免参数不足导致模型退化,作者同步提高网络深度(0.33→0.67)与宽度(0.5→0.75),保留一定的抽象能力。
-
模块轻量化
-
LW_C3:
- 相对 YOLOv5_improve,[email protected] +2.2 个百分点
- [email protected]:0.95 +1.9 个百分点
- GFLOPs 降低 48.2%
-
LW_Downsample:
- 相对 YOLOv5_improve,[email protected] +3.9 个百分点
- [email protected]:0.95 +3.0 个百分点
- GFLOPs 降低 11.0%
这两个模块虽然都增加了约 38.5% 参数,但 GFLOPs 明显下降。这是因为动态卷积能够提升表达能力的同时压缩静态计算量。
-
-
AMSFF
- 相对 YOLOv5_improve,[email protected] +3.4 个百分点
- [email protected]:0.95 +2.6 个百分点
AMSFF 通过空间自适应权重融合两层特征;Table 8 这一列支持加入模块后 mAP 提升,但未单独测量「对话失衡」或各尺度特征的分工。
完整 YOLO-Tiny 结合上述模块后为 47.4% [email protected]、27.7% [email protected]:0.95、3.3M 参数、13.4 GFLOPs;相对原 YOLOv5s 增加 14.8/10.3 个百分点,参数与 GFLOPs 则分别降低约 52.9%/16.3%。
和其他 YOLO 比较
YOLO 系列长期占据目标检测领域的重要位置,以端到端、快速推理而受关注:从 YOLOv3 的多尺度预测与 Darknet-53,到 YOLOv8 改善特征分支的梯度流动,再到 YOLOv10 移除非极大值抑制(NMS),每一代都在追求准确率与效率。
作者这里针对目前主流 YOLO 模型中较小的版本进行对比,实验结果显示 YOLO-Tiny 这个模型在参数量与计算量大幅下降的前提下,却依然交出了亮眼的准确率成绩。
在 [email protected] 上分别比 YOLOv3-Tiny、YOLOv6s、YOLOv8s、YOLOv10s 高 23.7、10.8、8.3、9.1 个百分点;[email protected]:0.95 则高 14.4、5.8、4.2、4.9 个百分点。相对这四列,参数量少约 59%–80%,GFLOPs 少约 30%–70%。Table 9 没有推理延迟或 FPS。
可视化展示
最左边是原图,中间是 YOLOv5s,最右边是 YOLO-Tiny。图中圈出的几处较小目标,右栏显示更多检测框;这些示例没有提供整组图像的误检与漏检统计。
结论
面对无人机航拍下的极小目标与终端算力受限的部署条件,YOLO-Tiny 所提出的结构调整与模块设计,提供了一种具体可行的技术思路。
过去的轻量化架构往往需要在速度与精度之间取舍。特别是在 VisDrone 这类场景中,小目标特征容易被多层下采样稀释,使检测精度难以提升。
本研究通过删减 P5、P4 等大目标检测层,将网络焦点重置于 P3、P2 的小尺度范围,搭配动态卷积与 AMSFF 模块进行特征提取与融合,企图在不增加计算负担的前提下,提升对小目标的辨识能力。
从实验结果来看,这样的策略确实在 VisDrone2019 上带来显著的 mAP 提升,并在模型参数与 GFLOPs 上保持优势,说明其对小目标结构的设计具有一定针对性。
不过,论文没有报告无人机端的实际推理延迟或 FPS。实际部署速度与泛化能力仍有待测试。