中國報告大廳網訊，2025 年無人機技術在軍事偵察、災害監測、邊境安防等領域的應用滲透率持續提升，據行業數據顯示，具備紅外探測功能的專業無人機市場規模同比增長超 35%。紅外成像技術因全天候工作與隱蔽探測優勢，成為無人機對地觀測系統的核心配置，但無人機受飛行高度與載荷限制，獲取的紅外圖像普遍存在空間解析度低、信噪比差的問題，導致像素占比小於 0.12% 的小目標易被背景噪聲淹沒，尤其在雨霧、沙塵等惡劣環境下，傳統檢測算法誤檢率高、漏檢嚴重，成為制約無人機態勢感知能力的關鍵瓶頸。在此背景下，基於深度學習的輕量化檢測算法優化，成為滿足無人機實時、精準檢測需求的核心方向。

  一、無人機紅外小目標檢測的核心痛點與傳統算法局限

  《2025-2030年中國無人機行業發展趨勢及競爭策略研究報告》指出，無人機視角下的紅外小目標檢測面臨三重核心挑戰，這些問題直接影響無人機在複雜場景下的任務執行效率。首先是目標特徵微弱，無人機紅外圖像中約 63% 的小目標在傳統檢測層(如 YOLOv8n 的 P3 層)僅占 1-2 個像素點，高頻細節因多次下採樣被稀釋，導致特徵響應不足;其次是環境干擾複雜，雨霧衰減紅外輻射、飛行震動引發成像拖影、不同材質熱輻射交叉干擾，均會削弱目標與背景的輻射差異;最後是實時性與精度矛盾，部分算法為提升檢測能力增加模型複雜度(如某算法複雜度激增 40%)，無法滿足無人機對輕量化、低延遲的需求。

  傳統目標檢測算法在無人機場景中存在明顯局限：YOLOv5 雖優化特徵金字塔，但對紅外小目標的魯棒性不足;YOLOv7 引入注意力機制後計算成本上升，影響檢測效率;YOLOv9 雖提升部分精度，卻在 「Other vehicle」 等類別檢測中表現遜色(平均精準率 78.7%);YOLOv10 對密集小目標的區分能力較弱。這些局限促使需針對無人機紅外小目標特性，對現有輕量化算法進行定向優化。

  二、改進 YOLOv8n 算法在無人機紅外小目標檢測中的四大優化策略

  YOLOv8n 作為 YOLOv8 系列的輕量化版本，憑藉 3.15×10⁶參數量、8.9 GFLOPs 計算量與 90.1 幀 /s 的推理速度，成為無人機實時檢測任務的優選框架。針對無人機紅外小目標檢測痛點，改進算法從檢測層、特徵提取、損失函數、注意力機制四方面進行優化，全面提升檢測性能。

  (一)新增 160×160 小目標檢測層，強化無人機小目標特徵捕捉

  針對無人機紅外小目標尺寸微小(普遍低於 8×8 像素)的問題，改進算法在 YOLOv8n 原有 80×80(P3 層)、40×40(P4 層)、20×20(P5 層)檢測層基礎上，新增 160×160 高解析度檢測層(P2 層)。該層直接調用骨幹網絡首層 C2f 模塊輸出的淺層特徵圖，經 1×1 卷積壓縮通道後與其他檢測層並行預測。淺層特徵圖保留了無人機紅外圖像中小目標的邊緣、紋理等高頻信息，避免深層卷積導致的細節丟失，同時通過跨層級特徵融合，將高解析度空間信息與深層語義信息結合，提升無人機對微小目標的上下文感知能力。

  (二)設計雙卷積 CSP_BiFormer 模塊，提升無人機複雜環境特徵提取能力

  為解決無人機紅外圖像細節模糊、熱噪聲干擾的問題，改進算法在原有 C2f 模塊基礎上，融合 BiFormer 注意力機制構建 CSP_BiFormer 瓶頸模塊。該模塊先通過 1×1 卷積完成淺層特徵提取，再將特徵圖在通道維度分割，部分特徵圖經多個 BiFormerBlock 處理以挖掘深層信息，最後拼接分割與處理後的特徵圖並整合通道。其中，BiFormer 採用四級層級金字塔架構，通過 3×3 深度可分離卷積編碼位置信息，引入雙層路由注意力機制(BRA)將注意力計算複雜度從 O (n²) 降至 O (n√n)，有效強化無人機紅外圖像中目標區域特徵，削弱背景干擾，提升複雜場景下的特徵提取魯棒性。

  (三)提出 EAC_IOU 損失函數，優化無人機目標檢測框回歸精度

  原版 YOLOv8n 採用的 CIOU 損失函數存在縱橫比收斂失衡問題，導致無人機紅外小目標的檢測框調整精度不足。改進算法將 EIOU 與 CIOU 結合，提出 EAC_IOU 損失函數：先通過 CIOU 調整預測框縱橫比至合理範圍，再利用 EIOU 拆分縱橫比影響因子 αv，分別計算預測框與真實框的長、寬差異，優化長寬方向的獨立回歸。EAC_IOU 的計算公式為：EACIOU=1-IOU+αv+ρ²(bᵍᵗ,b)/c²+ρ²(hᵍᵗ,h)/cʰ²(其中 b 為預測框中心點，bᵍᵗ為真實框中心點，ρ 為歐氏距離，c 為最小封閉框對角線長度，h 為框高度)，該函數能更精準地反映無人機小目標檢測框的相似程度，提升回歸準確性。

  (四)構建 MS_SimAm 模塊，增強無人機多尺度目標檢測適應性

  針對傳統注意力機制無法處理無人機紅外圖像多尺度目標的問題，改進算法設計多尺度特徵自適應注意力模塊(MS_SimAm)。該模塊保留 SimAM 注意力機制的參數無關優勢，同時通過三個不同尺度(1×1、3×3、5×5)的卷積核生成多尺度特徵圖，結合平均池化與最大池化整合跨維度特徵響應。MS_SimAm 能同時捕捉無人機紅外圖像中不同大小目標的特徵，既關注微小目標的細節信息，也兼顧較大目標的全局特徵，提升無人機在低對比度、多目標場景下的檢測性能，且未顯著增加模型計算成本。

  三、無人機紅外小目標檢測算法的實驗驗證與性能數據

  為驗證改進算法在無人機場景中的有效性，實驗基於統一環境與 HIT-UAV 數據集展開，從消融實驗、對比實驗兩方面評估性能，所有數據均保留原始測試結果，確保驗證可信度。

  (一)實驗環境與數據集配置

  實驗硬體環境為 Intel Core I9-10900X CPU、128GB RAM、Nvidia GeForce GTX 3090 GPU，軟體環境為 Windows 10 Professional 64bit 系統、Pytorch2.5.1 深度學習框架、Python3.12.0 程式語言。實驗採用專門用於無人機高海拔紅外熱成像檢測的 HIT-UAV 數據集，該數據集從 43470 幀視頻中提取 2898 張紅外圖像，涵蓋學校、停車場、道路等多種無人機常見場景;數據集按 7:3 隨機劃分為訓練集與測試集，初始學習率設為 0.01，輸入批次大小為 16。

  (二)評價指標與消融實驗結果

  實驗採用精確率(P)、召回率(R)、平均精度均值(mAP@0.50、mAP@0.50:0.95)、參數量(Para)、浮點運算次數(GFLOPs)、幀率(FPS)作為評價指標，其中 mAP@0.50 為 IoU 閾值 0.5 時的平均精度，mAP@0.50:0.95 為 IoU 閾值 0.5-0.95 的平均精度。

  消融實驗逐步添加改進組件，結果如下：

  基礎模型 YOLOv8n：P=78.2%、R=72.8%、mAP@0.50=77.2%、mAP@0.50:0.95=47.5%、Para=3.15×10⁶、GFLOPs=8.9、FPS=90.1 幀 /s;

  添加小目標檢測層與 EAC_IOU(實驗 1)：P=82.1%、R=73.1%、mAP@0.50=78.1%、mAP@0.50:0.95=49.5%、Para=3.18×10⁶、GFLOPs=9.5、FPS=94.3 幀 /s;

  新增 CSP_BiFormer 模塊(實驗 2)：P=86.2%、R=73.9%、mAP@0.50=81.4%、mAP@0.50:0.95=50.5%、Para=3.25×10⁶、GFLOPs=15.2、FPS=99.2 幀 /s;

  加入 MS_SimAm 模塊(實驗 3，最終模型)：P=88.6%、R=76.5%、mAP@0.50=83.9%、mAP@0.50:0.95=52.9%、Para=3.29×10⁶(僅增 4%)、GFLOPs=17.9、FPS=105.5 幀 /s。

  消融實驗表明，四大優化組件均能提升無人機紅外小目標檢測性能，最終模型較原版 YOLOv8n 在精確率、召回率、mAP@0.50、mAP@0.50:0.95、FPS 上分別提升 10.4%、3.7%、6.7%、5.4%、15.4 幀 /s，參數量增長可控，符合無人機輕量化需求。

  (三)對比實驗與場景檢測效果

  在 HIT-UAV 數據集上，將改進算法與 Faster-RCNN、YOLOv7、YOLOv7-tiny、YOLOv8n、YOLOv9、YOLOv10 等主流算法對比，重點評估 「Person」「Car」「Bicycle」「Other vehicle」「Don't care」 五類目標的平均精準率及 mAP@0.50：

  改進算法(Ours)：Person=93.0%、Car=98.4%、Bicycle=90.3%、Other vehicle=77.0%、Don't care=47.8%、mAP@0.50=84.0%;

  對比算法表現：YOLOv8n(原版)Person=91.0%、Other vehicle=66.1%、mAP@0.50=76.9%;YOLOv10 Person=88.7%、Don't care=45.5%、mAP@0.50=81.6%;YOLOv9 Other vehicle=78.7%、mAP@0.50=72.6%。

  場景測試中，改進算法在三類複雜場景表現更優：一是目標輪廓殘缺場景，避免原版 YOLOv8n 漏檢與 YOLOv9 誤檢;二是遠距離小目標場景，對 8×8 像素以下目標的捕捉能力優於 YOLOv7-tiny 與 YOLOv10;三是密集目標場景，通過多尺度特徵融合，解決紅外圖像解析度低、目標與背景區分弱的問題，檢測精度顯著高於其他算法。

  四、2025 年無人機紅外檢測技術發展總結與算法價值

  無人機行業現狀分析指出，2025 年無人機行業對紅外小目標檢測的需求將從 「能檢測」 向 「精準、實時、抗干擾」 升級，改進 YOLOv8n 算法通過四大核心優化，為這一需求提供了可行解決方案。該算法新增 160×160 檢測層強化小目標捕捉，CSP_BiFormer 模塊提升複雜環境特徵提取能力，EAC_IOU 優化檢測框回歸，MS_SimAm 增強多尺度適應性，最終在 HIT-UAV 數據集上實現性能與效率的雙重突破 —— 較原版 YOLOv8n 精度指標最大提升 10.4%，幀率提升 15.4 幀 /s，參數量僅增 4%，完美適配無人機輕量化、實時性需求。

  從行業價值來看，該算法不僅解決了無人機紅外小目標檢測的誤檢、漏檢難題，還為 2025 年無人機在災害救援(快速定位受困人員)、邊境安防(識別遠距離小型目標)、精準農業(監測作物微小病蟲害)等場景的深度應用提供技術支撐。未來，隨著無人機紅外傳感器解析度提升與數據集豐富度增加，算法可進一步結合動態注意力機制與輕量化量化技術，持續推動無人機紅外檢測能力向更高精度、更低延遲演進。