在小目标检测领域，YOLO系列模型的创新应用不断涌现，推动了检测技术的边界。LUD-YOLO模型针对无人机边缘设备检测进行了优化，通过自适应空间融合机制、动态稀疏注意力和网络剪枝策略，显著提升了小目标检测的精度和效率。SOD-YOLO则专注于无人机场景，引入了DSDM-LFIM骨干网络和专门的小目标检测分支，有效提升了对密集小目标的检测能力。

这些创新不仅提高了YOLO在小目标检测中的表现，还拓展了其在无人机监控、遥感分析等领域的应用潜力。我整理了10篇关于【YOLO+小目标检测】的相关论文，全部论文PDF版，工中号 沃的顶会 回复“yolo小目标”即可领取。

DGNN-YOLO：Interpretable Dynamic Graph Neural Networks with YOLO11 for Small Occluded Object Detection and Tracking

文章解析 

本文提出了一种新型框架DGNN-YOLO，通过将动态图神经网络（DGNN）与YOLO11结合，解决了交通监控中小遮挡物体（如行人、自行车和摩托车）检测与跟踪的问题。

该框架能够动态更新图结构以适应复杂的交通场景，并通过Grad-CAM等技术增强模型可解释性，实验结果表明其性能显著优于现有方法。

创新点 

引入了DGNN-YOLO框架，首次将动态图神经网络与YOLO11结合，用于小遮挡物体检测与跟踪。

采用动态图更新机制，增强了对实时变化交通场景的适应能力。

通过整合Grad-CAM等可视化技术，提升了模型的可解释性和信任度。

研究方法 

构建动态图神经网络，将物体表示为节点，交互关系表示为边。

利用YOLO11进行空间特征提取，结合DGNN实现自适应跟踪。

使用Grad-CAM、Grad-CAM++和Eigen-CAM技术提升模型决策过程的透明性。

通过大量实验验证框架在精度、召回率和mAP等方面的性能。

研究结论 

DGNN-YOLO框架在小遮挡物体检测与跟踪任务中表现出色，精度达到0.8382，召回率达到0.6875，mAP@0.5:0.95为0.6476。

相比传统方法，DGNN-YOLO在实时性和资源效率方面具有显著优势。

该研究提供了一种可扩展且可解释的解决方案，推动了智能交通系统的发展。

YOLO-Z：Improving small object detection in YOLOv5 for autonomous vehicles

文章解析 

本文探讨了如何通过修改YOLOv5的结构元素及其连接参数，以提高其对小目标（即输入图像中占据较小像素区域的对象）的检测性能，并提出了一系列名为‘YOLO-Z’的模型，在保持推理时间仅增加3ms的情况下，mAP提升了6.9%。 

创新点 

提出了针对小目标检测优化的YOLO-Z模型系列。

通过实验方法系统性地调整YOLOv5结构以适应特定任务需求。

在保证实时处理速度的同时显著提升小目标检测性能。

研究方法 

分析并替换YOLOv5模型中的某些结构元素及其连接方式。

设计不同尺度的YOLO-Z模型进行实验验证。

评估修改后的模型在小目标检测任务中的性能和推理时间。

研究结论 

通过对YOLOv5结构的调整可以显著改善小目标检测性能。

YOLO-Z模型在小目标检测任务中表现出色，且推理时间增加较少。

研究结果为未来优化YOLOv5等流行检测器提供了重要参考。