点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://xbgjxt.swu.edu.cn/article/doi/10.13718/j.cnki.xdzk.2025.06.018

计算机视觉研究院专栏

Column of Computer Vision Institute

本文基于 YOLOv8n 轻量模型，通过三大技术改进，成功破解识别难题，整体识别 mAP 从 83.1% 提升至 86.6%，为公安实战扫毒提供硬核技术支撑！

PART/1

    痛点   

罂粟识别，到底难在哪？

无人机低空巡查罂粟，面临三大致命难题，直接导致传统算法漏检、误检：

1. 小目标识别难

   罂粟花蕊、果实像素占比极低，特征信息少，模型很难提取有效特征，极易漏检。

2. 复杂背景干扰

   毒贩常以杂草、农作物掩饰罂粟，目标与环境高度融合，传统算法难以区分。

3. 目标尺度变化大

   无人机飞行高度不同，罂粟在画面中尺度忽大忽小，模型适配性差，识别精度直线下降。

PART/2

     创新   

三大核心改进，破解识别瓶颈

研究团队基于 YOLOv8n 原生框架，做三处关键升级，精准攻克上述问题：

1. 引入 iRMB 注意力机制

   在模型 Head 层加入该机制，让算法自动聚焦罂粟花蕊、果实等关键特征，强化小目标捕捉能力，细节识别更精准。

2. 替换 CARAFE 上采样算子

   用 CARAFE 替代传统上采样模块，基于内容感知重构特征，充分利用局部上下文信息，复杂背景下也能精准锁定罂粟。

   

   【CARAFE 算法结构】

3. 更换 MPDIoU 损失函数

   替换原 CIoU 损失，通过最小化预测框角点距离，解决同长宽比、不同尺寸的框回归难题，完美适配无人机航拍的多尺度罂粟目标。

PART/3

     实验    

实验验证：性能全面升级

实验设置：输入图像 640×640，训练 300 轮，批次大小 32，从多维度验证改进效果：

1. 损失曲线更优

   改进后模型损失值下降更显著，训练收敛更快、鲁棒性更强，无过拟合风险。

   

   

   【YOLOv8n 及改进后损失函数曲线】

2. 指标曲线平稳攀升

   mAP、精确率、召回率均持续稳定提升，快速达到平衡状态，模型学习效果更出色。

   

   

   【mAP 衡量指标曲线】

   

   

   【精确率和召回率指标曲线】

3. 核心数据暴涨

   通过 PR 曲线与 AP 值对比，改进算法识别精度实现质的飞跃：

   

   【改进前后的 YOLOv8n 模型对比】

   

   【YOLOv8n 及改进后 PR 曲线图】

• 整体 mAP：83.1% → 86.6%，提升 3.5 个百分点

• 罂粟果实 AP：93.0% → 94.0%，提升 1.0 个百分点

• 罂粟花蕊 AP：73.1% → 79.2%，提升 6.1 个百分点

PART/4

     总结   

本次基于 YOLOv8n 的罂粟识别改进算法，成功解决小目标、复杂背景、尺度变化三大核心问题，模型轻量化、识别精度、实战适配性全面拉满，完全契合公安无人机禁毒巡查需求。

未来研究将扩充罂粟幼苗期、生长后期全周期数据集，实现全生长阶段精准识别，用 AI 技术筑牢禁毒防线，守护净土安全！

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测