中国报告大厅网讯，2025 年无人机技术在军事侦察、灾害监测、边境安防等领域的应用渗透率持续提升，据行业数据显示，具备红外探测功能的专业无人机市场规模同比增长超 35%。红外成像技术因全天候工作与隐蔽探测优势，成为无人机对地观测系统的核心配置，但无人机受飞行高度与载荷限制，获取的红外图像普遍存在空间分辨率低、信噪比差的问题，导致像素占比小于 0.12% 的小目标易被背景噪声淹没，尤其在雨雾、沙尘等恶劣环境下，传统检测算法误检率高、漏检严重，成为制约无人机态势感知能力的关键瓶颈。在此背景下，基于深度学习的轻量化检测算法优化，成为满足无人机实时、精准检测需求的核心方向。

  一、无人机红外小目标检测的核心痛点与传统算法局限

  《2025-2030年中国无人机行业发展趋势及竞争策略研究报告》指出，无人机视角下的红外小目标检测面临三重核心挑战，这些问题直接影响无人机在复杂场景下的任务执行效率。首先是目标特征微弱，无人机红外图像中约 63% 的小目标在传统检测层(如 YOLOv8n 的 P3 层)仅占 1-2 个像素点，高频细节因多次下采样被稀释，导致特征响应不足;其次是环境干扰复杂，雨雾衰减红外辐射、飞行震动引发成像拖影、不同材质热辐射交叉干扰，均会削弱目标与背景的辐射差异;最后是实时性与精度矛盾，部分算法为提升检测能力增加模型复杂度(如某算法复杂度激增 40%)，无法满足无人机对轻量化、低延迟的需求。

  传统目标检测算法在无人机场景中存在明显局限：YOLOv5 虽优化特征金字塔，但对红外小目标的鲁棒性不足;YOLOv7 引入注意力机制后计算成本上升，影响检测效率;YOLOv9 虽提升部分精度，却在 “Other vehicle” 等类别检测中表现逊色(平均精准率 78.7%);YOLOv10 对密集小目标的区分能力较弱。这些局限促使需针对无人机红外小目标特性，对现有轻量化算法进行定向优化。

  二、改进 YOLOv8n 算法在无人机红外小目标检测中的四大优化策略

  YOLOv8n 作为 YOLOv8 系列的轻量化版本，凭借 3.15×10⁶参数量、8.9 GFLOPs 计算量与 90.1 帧 /s 的推理速度，成为无人机实时检测任务的优选框架。针对无人机红外小目标检测痛点，改进算法从检测层、特征提取、损失函数、注意力机制四方面进行优化，全面提升检测性能。

  (一)新增 160×160 小目标检测层，强化无人机小目标特征捕捉

  针对无人机红外小目标尺寸微小(普遍低于 8×8 像素)的问题，改进算法在 YOLOv8n 原有 80×80(P3 层)、40×40(P4 层)、20×20(P5 层)检测层基础上，新增 160×160 高分辨率检测层(P2 层)。该层直接调用骨干网络首层 C2f 模块输出的浅层特征图，经 1×1 卷积压缩通道后与其他检测层并行预测。浅层特征图保留了无人机红外图像中小目标的边缘、纹理等高频信息，避免深层卷积导致的细节丢失，同时通过跨层级特征融合，将高分辨率空间信息与深层语义信息结合，提升无人机对微小目标的上下文感知能力。

  (二)设计双卷积 CSP_BiFormer 模块，提升无人机复杂环境特征提取能力

  为解决无人机红外图像细节模糊、热噪声干扰的问题，改进算法在原有 C2f 模块基础上，融合 BiFormer 注意力机制构建 CSP_BiFormer 瓶颈模块。该模块先通过 1×1 卷积完成浅层特征提取，再将特征图在通道维度分割，部分特征图经多个 BiFormerBlock 处理以挖掘深层信息，最后拼接分割与处理后的特征图并整合通道。其中，BiFormer 采用四级层级金字塔架构，通过 3×3 深度可分离卷积编码位置信息，引入双层路由注意力机制(BRA)将注意力计算复杂度从 O (n²) 降至 O (n√n)，有效强化无人机红外图像中目标区域特征，削弱背景干扰，提升复杂场景下的特征提取鲁棒性。

  (三)提出 EAC_IOU 损失函数，优化无人机目标检测框回归精度

  原版 YOLOv8n 采用的 CIOU 损失函数存在纵横比收敛失衡问题，导致无人机红外小目标的检测框调整精度不足。改进算法将 EIOU 与 CIOU 结合，提出 EAC_IOU 损失函数：先通过 CIOU 调整预测框纵横比至合理范围，再利用 EIOU 拆分纵横比影响因子 αv，分别计算预测框与真实框的长、宽差异，优化长宽方向的独立回归。EAC_IOU 的计算公式为：EACIOU=1-IOU+αv+ρ²(bᵍᵗ,b)/c²+ρ²(hᵍᵗ,h)/cʰ²(其中 b 为预测框中心点，bᵍᵗ为真实框中心点，ρ 为欧氏距离，c 为最小封闭框对角线长度，h 为框高度)，该函数能更精准地反映无人机小目标检测框的相似程度，提升回归准确性。

  (四)构建 MS_SimAm 模块，增强无人机多尺度目标检测适应性

  针对传统注意力机制无法处理无人机红外图像多尺度目标的问题，改进算法设计多尺度特征自适应注意力模块(MS_SimAm)。该模块保留 SimAM 注意力机制的参数无关优势，同时通过三个不同尺度(1×1、3×3、5×5)的卷积核生成多尺度特征图，结合平均池化与最大池化整合跨维度特征响应。MS_SimAm 能同时捕捉无人机红外图像中不同大小目标的特征，既关注微小目标的细节信息，也兼顾较大目标的全局特征，提升无人机在低对比度、多目标场景下的检测性能，且未显著增加模型计算成本。

  三、无人机红外小目标检测算法的实验验证与性能数据

  为验证改进算法在无人机场景中的有效性，实验基于统一环境与 HIT-UAV 数据集展开，从消融实验、对比实验两方面评估性能，所有数据均保留原始测试结果，确保验证可信度。

  (一)实验环境与数据集配置

  实验硬件环境为 Intel Core I9-10900X CPU、128GB RAM、Nvidia GeForce GTX 3090 GPU，软件环境为 Windows 10 Professional 64bit 系统、Pytorch2.5.1 深度学习框架、Python3.12.0 编程语言。实验采用专门用于无人机高海拔红外热成像检测的 HIT-UAV 数据集，该数据集从 43470 帧视频中提取 2898 张红外图像，涵盖学校、停车场、道路等多种无人机常见场景;数据集按 7:3 随机划分为训练集与测试集，初始学习率设为 0.01，输入批次大小为 16。

  (二)评价指标与消融实验结果

  实验采用精确率(P)、召回率(R)、平均精度均值(mAP@0.50、mAP@0.50:0.95)、参数量(Para)、浮点运算次数(GFLOPs)、帧率(FPS)作为评价指标，其中 mAP@0.50 为 IoU 阈值 0.5 时的平均精度，mAP@0.50:0.95 为 IoU 阈值 0.5-0.95 的平均精度。

  消融实验逐步添加改进组件，结果如下：

  基础模型 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 帧 /s;

  添加小目标检测层与 EAC_IOU(实验 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 帧 /s;

  新增 CSP_BiFormer 模块(实验 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 帧 /s;

  加入 MS_SimAm 模块(实验 3，最终模型)：P=88.6%、R=76.5%、mAP@0.50=83.9%、mAP@0.50:0.95=52.9%、Para=3.29×10⁶(仅增 4%)、GFLOPs=17.9、FPS=105.5 帧 /s。

  消融实验表明，四大优化组件均能提升无人机红外小目标检测性能，最终模型较原版 YOLOv8n 在精确率、召回率、mAP@0.50、mAP@0.50:0.95、FPS 上分别提升 10.4%、3.7%、6.7%、5.4%、15.4 帧 /s，参数量增长可控，符合无人机轻量化需求。

  (三)对比实验与场景检测效果

  在 HIT-UAV 数据集上，将改进算法与 Faster-RCNN、YOLOv7、YOLOv7-tiny、YOLOv8n、YOLOv9、YOLOv10 等主流算法对比，重点评估 “Person”“Car”“Bicycle”“Other vehicle”“Don't care” 五类目标的平均精准率及 mAP@0.50：

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

  对比算法表现：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%。

  场景测试中，改进算法在三类复杂场景表现更优：一是目标轮廓残缺场景，避免原版 YOLOv8n 漏检与 YOLOv9 误检;二是远距离小目标场景，对 8×8 像素以下目标的捕捉能力优于 YOLOv7-tiny 与 YOLOv10;三是密集目标场景，通过多尺度特征融合，解决红外图像分辨率低、目标与背景区分弱的问题，检测精度显著高于其他算法。

  四、2025 年无人机红外检测技术发展总结与算法价值

  无人机行业现状分析指出，2025 年无人机行业对红外小目标检测的需求将从 “能检测” 向 “精准、实时、抗干扰” 升级，改进 YOLOv8n 算法通过四大核心优化，为这一需求提供了可行解决方案。该算法新增 160×160 检测层强化小目标捕捉，CSP_BiFormer 模块提升复杂环境特征提取能力，EAC_IOU 优化检测框回归，MS_SimAm 增强多尺度适应性，最终在 HIT-UAV 数据集上实现性能与效率的双重突破 —— 较原版 YOLOv8n 精度指标最大提升 10.4%，帧率提升 15.4 帧 /s，参数量仅增 4%，完美适配无人机轻量化、实时性需求。

  从行业价值来看，该算法不仅解决了无人机红外小目标检测的误检、漏检难题，还为 2025 年无人机在灾害救援(快速定位受困人员)、边境安防(识别远距离小型目标)、精准农业(监测作物微小病虫害)等场景的深度应用提供技术支撑。未来，随着无人机红外传感器分辨率提升与数据集丰富度增加，算法可进一步结合动态注意力机制与轻量化量化技术，持续推动无人机红外检测能力向更高精度、更低延迟演进。