优化YOLOv11模型：基于多尺度注意力机制的小目标检测性能提升研究.pdfVIP

ArtificialIntelligenceandRoboticsResearch人工智能与机器人研究,2025,14(1),229-236

PublishedOnlineJanuary2025inHans./journal/airr

/10.12677/airr.2025.141023

优化YOLOv11模型：基于多尺度注意力机制的

小目标检测性能提升研究

谢立东，刘静超，文雪风

西京学院计算机学院，陕西西安

收稿日期：2024年12月9日；录用日期：2025年1月20日；发布日期：2025年1月30日

摘要

随着遥感图像中小目标检测问题的日益突出，传统目标检测方法在小目标的精确定位上存在局限性。为

解决这一问题，本文提出了一种基于YOLOv11模型的多尺度注意力机制优化方法。首先，删除了YOLOv11

模型中用于大目标检测的20×20尺度检测层，增加了160×160尺度的小目标检测层，以提升小目标的

检测精度。其次，采用EIoU(EnhancedIntersectionoverUnion)损失函数替代CIoU损失函数，解决了

CIoU在长宽比差异较大的目标中的定位问题，从而加速收敛并提高定位精度。最后，结合空间注意力和

通道注意力机制，增强了模型对不同尺度目标的感知能力。实验结果表明，优化后的YOLOv11模型在多

个遥感图像数据集上表现出较传统YOLOv11显著提高的精度、召回率和F1分数，特别在小目标检测任务

中具有更强的鲁棒性和更高的检测精度。研究表明，提出的方法能有效提升小目标检测性能，为遥感图

像分析提供了新的解决方案。

关键词

YOLOv11，多尺度注意力机制，小目标检测

OptimizingtheYOLOv11Model:

ResearchonImprovingSmall

TargetDetectionPerformance

BasedonMulti-Scale

AttentionMechanism

LidongXie,JingchaoLiu,XuefengWen

SchoolofComputerScience,XijingUniversity,Xi’anShaanxi

Received:Dec.9th,2024;accepted:Jan.20th,2025;published:Jan.30th,2025

文章引用:谢立东,刘静超,文雪风.优化YOLOv11模型:基于多尺度注意力机制的小目标检测性能提升研究[J].人

工智能与机器人研究,2025,14(1):229-236.DOI:10.12677/airr.2025.141023

谢立东等

Abstract

Withtheincreasinglyprominentproblemofsmalltargetdetectioninremotesensingimages,tradi-

tionalobjectdetectionmethodshavelimitationsinaccuratelylocatingsmalltargets.Toaddress

thisissue,thispaperproposesamulti-scaleattentionmechanismoptimizationmethodbasedon

theYOLOv11model.Firstly,the20×20scaledetectionlayerusedforlargeobjectdetectioninthe

YOLOv11modelwasremoved,anda160×160scalesmallobjectdetectionlayerwasaddedtoim-

provethedetectionaccuracyofsmallobjects.Secondly,theEIoU(EnhancedIntersectionoverUnion)