目录

一、研究背景​

二. 核心创新点​

​2.1 避免高MAC操作​

​2.2 DSDM-LFIM主干网络​

2.3 P2小目标检测分支​

​3. 代码复现指南​

环境配置

关键修改点

​4. 实验结果对比​

4.1 VisDrone数据集性能

4.2 边缘设备部署

4.3 检测效果可视化

​5. 应用场景​

​6. 总结​

---

 

一、研究背景​

针对无人机（UAV）图像中小目标检测的实时性与边缘部署难题，本文提出SOD-YOLO模型。通过创新设计DSDM-LFIM主干网络和P2小目标检测头，在VisDrone数据集上实现50.7% AP50，推理速度72.5 FPS，参数量降低17.89%，计算量减少20.25%，显著优于YOLOv7！

SOD-YOLO 模型结构图