聂瓦1. 项目概述
在计算机视觉领域，红外目标检测一直是个极具挑战性的研究方向。不同于常规的可见光图像，红外图像具有灰度范围窄、对比度低、细节信息少等特点，这使得传统目标检测算法在红外场景下往往表现不佳。我们基于YOLOv11架构，针对红外小目标检测这一特殊任务进行了深度优化，同时扩展了系统在无人机视角下的行人识别和车辆检测能力。
这个项目主要解决了三个核心问题：一是如何在低分辨率红外图像中有效检测微小目标；二是如何适应无人机视角下的目标尺度变化；三是如何在计算资源有限的边缘设备上实现实时检测。经过实测，我们的系统在多个红外数据集上达到了SOTA水平，同时保持了较高的推理速度。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心算法设计
2.1 YOLOv11架构改进
我们在标准YOLOv11的基础上进行了多项针对性改进：
-
特征提取网络优化：采用轻量化的CSPDarknet作为backbone，在保持特征提取能力的同时减少计算量。针对红外图像特性，我们在浅层网络增加了注意力机制模块，增强对小目标的敏感度。
-
多尺度特征融合：设计了一种新的特征金字塔结构，将高层语义信息与低层细节信息更有效地融合。具体实现是在原有PANet基础上，增加了跨层跳跃连接，使得小目标的特征能够得到更好的保留。
-
检测头改进：针对红外小目标，我们采用了高分辨率的检测头（160×160），同时引入动态anchor机制，根据目标尺度自动调整anchor大小。
2.2 红外图像预处理
红外图像的特殊性要求我们进行专门的预处理：
-
非均匀性校正：使用两点校正法消除红外传感器的非均匀性噪声，这对后续的目标检测至关重要。
-
动态范围压缩：采用自适应直方图均衡化（CLAHE）来增强图像对比度，同时避免过度增强噪声。
-
背景抑制：基于局部对比度的方法抑制均匀背景，突出潜在目标区域。
3. 小目标检测优化
3.1 数据增强策略
针对小目标检测，我们设计了一套特殊的数据增强方法：
-
马赛克增强：将4张训练图像拼接为1张，增加小目标出现的密度和多样性。
-
小目标复制粘贴：从其他图像中随机选取小目标，以合理的方式粘贴到当前图像中。
-
多尺度训练：在训练时随机缩放图像，使模型