Pixel art drone detection research cover.
Research Flagship / 第一作者 / 模型与实验主线

项目定位

SDD-YOLO 是面向地对空反无人机监控的小目标检测研究。问题核心不是普通目标检测，而是远距离无人机在画面中只有极低像素占比、背景包含云层和鸟类等干扰，同时部署端还要求实时推理。项目把数据集、结构改造、训练策略和边缘推理约束放在同一条研究线上处理。

方法主线

模型以 YOLO26 的端到端检测思想为基础，加入 4 倍下采样的 P2 高分辨率检测头，用更细的特征图保留微小目标的几何细节；同时采用 DFL-free 与 NMS-free 的设计，减少对边缘 NPU 不友好的算子和后处理开销。

  • P2 high-resolution head：缓解 P3 对 8px 级目标压缩过强的问题。
  • Dual attention：抑制鸟、云、建筑边缘等空域背景误检。
  • MuSGD + ProgLoss + STAL：改善稀疏小目标信号带来的梯度震荡。
  • Feature-aligned distillation：用更强 teacher 向 nano student 迁移小目标特征表达。

数据与实验

论文构建了 DroneSOD-30K，覆盖不同天气、光照、复杂背景和微小目标样本。实验中 SDD-YOLO-n Final 在 DroneSOD-30K 上达到 86.0% mAP@0.5，并在 RTX 5090 上达到 226 FPS，在 Intel Xeon CPU 上达到 35 FPS。

后续材料

博客后续适合补充三类内容：数据集构建与标注 QC、P2 head 和 DFL-free 的结构拆解、以及从 PyTorch 到 ONNX / ATC / RKNN 的部署链路记录。

相关资料

这里保留项目仓库、论文、文档和本站相关文章入口，方便从主页卡片继续追踪原始资料。