一、问题：无人机小目标检测，YOLO11s够用了吗？
如果你做过无人机航拍目标检测，大概率会遇到这样一个尴尬局面：模型在COCO上跑得好好的，一换到VisDrone这类航拍数据集就“瞎”了。
原因不复杂。无人机视角下的目标通常只有十几个像素甚至几个像素，密集排列且背景复杂。YOLO11s虽然有C3k2模块和C2PSA注意力机制加持，在通用检测任务上表现均衡，但面对这种极端小目标场景，它的单骨干架构存在两个先天短板：
第一，特征表达不足。YOLO11s的骨干网络从高分辨率特征图逐步下采样到低分辨率，小目标在深层特征图上几乎“消失”。C2PSA注意力虽然增强了全局建模能力，但无法弥补小目标在空间维度上的信息丢失。
第二，参数量和计算量偏大。YOLO11s的参数量约9.42M，对于部署在无人机机载计算模块（如Jetson Orin Nano、RK3588等）上的场景来说，这个体量意味着更高的功耗和更低的帧率。
根据《计算机工程与应用》2026年第5期发表的研究，余长同、赖惠成等人针对上述问题提出了DBA-YOLO（Dual-Backbone Architecture YOLO），一种基于YOLO11s改进的双骨干轻量化小目标检测算法。论文在VisDrone2019测试集上，将mAP50提升了5.96个百分点，同时参数量从9.42×10⁶压缩至3.45×10⁶，压缩幅度达63.38%。在极小目
