河北
来源：市场资讯
（来源：计算机视觉研究院）
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://sensors.myu-group.co.jp/sm_pdf/SM4311.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
基于最新 YOLOv11n 框架，本文队提出CGF-YOLOv11n轻量化实时小目标检测算法，在 VisDrone2019 无人机数据集上实现精度显著提升，还能在香橙派 5 平台做到34 帧 / 秒实时部署！
PART/1
创新
CGF-YOLOv11n 的核心是C2PLUS + GRFAConv + FDPN三大改进模块，兼顾精度与速度。
1. C2PLUS 模块：细粒度特征 “放大器”
替代原 C2PSA 模块，融合 Transformer 注意力与通道交互，强化小目标细节特征提取，几乎不增加计算量。
C2PLUS 模块结构 diagram
2. GRFAConv 模块：轻量感受野增强
结合 GhostConv 轻量化与 RFAConv 空间感知，设计即插即用卷积单元，减少冗余计算，精准聚焦目标空间位置。
GRFAConv 卷积结构 diagram
3. FDPN 模块：特征融合不丢失
替换传统 PANet，通过 FocusFeature 跨层聚合 + 特征扩散，平衡语义与空间信息，解决小目标特征融合丢失问题。
FDPN 结构 diagram
FocusFeature 结构 diagram
PART/2
实验结果
实验结果：精度碾压，轻量更强
实验基于 VisDrone2019 无人机小目标数据集，与原版 YOLOv11n 对比：
验证集 mAP@0.5提升 3.5%
测试集 mAP@0.5提升 3.1%
参数仅 2.745M，GFLOPs 7.2，极致轻量化
可视化效果更直观：CGF-YOLOv11n 对远处小目标、弱光、遮挡场景的注意力更集中，漏检大幅减少。
PART/3
落地价值
落地价值：边缘端实时小目标检测
CGF-YOLOv11n 在香橙派 5实现 34FPS 实时推理，完美适配无人机、智能监控、嵌入式边缘设备，为无人机巡检、交通感知、安防监控提供高精度、高效率的小目标检测方案。
未来研究将进一步轻量化压缩，拓展更多数据集，提升复杂场景泛化能力。
有相关需求的你可以联系我们！
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
