基于YOLOv11的无人机检测系统优化与实现

1. 项目背景与核心价值

去年帮导师评审研究生开题报告时，发现无人机监管领域有个明显的技术断层——现有检测系统对低空慢速小目标的识别率普遍低于60%，这直接影响了空域安全管理效能。当时就萌生了用YOLOv11改进检测框架的想法，现在终于把完整方案落地成了这个毕业设计项目。

这个系统最硬核的突破在于：在自建的无人机数据集上，将200米内无人机目标的检测准确率提升到了89.7%（mAP@0.5），误报率控制在3.2%以下。这意味着在机场周边、重大活动安保等场景中，系统能可靠识别出绝大多数违规飞行的无人机目标。

2. 技术架构解析

2.1 YOLOv11的定制化改造

原版YOLOv11的骨干网络直接套用会导致两个问题：一是对小目标特征提取不足，二是模型体积过大难以部署。我们的改进方案是：

1. 轻量化设计：
   • 将主干网络替换为ShuffleNetV2结构
   • 采用深度可分离卷积替代标准3x3卷积
   • 模型体积从189MB压缩到47MB

python复制# 改进后的骨干网络结构示例
class LiteBackbone(nn.Module):
    def __init__(self):
        super().__init__()
        self.stage1 = nn.Sequential(
            ConvBNReLU(3, 24, kernel_size=3, stride=2),
            InvertedResidual(24, 48, stride=2, expand_ratio=6)
        )
        self.stage2 = nn.Sequential(...)

2. 小目标检测增强：
   • 新增160x160高分辨率检测头
   • 引入BiFPN特征融合结构
   • 在neck部分添加CBAM注意力模块

2.2 无人机数据集构建

现有公开数据集（如VisDrone）存在两个致命缺陷：一是无人机目标占比不足5%，二是缺乏典型干扰物样本。我们通过三种方式构建专用数据集：

1. 数据采集方案：
   • 使用大疆M300 RTK实拍2000+原始视频
   • 包含不同高度（50