YOLO-DRONE 模型概述
无人机低空巡检这类场景，难点从来不只是'能不能识别出来'，而是能不能在抖动、风扰和视角变化里稳定地识别出来。电力巡检里常见的导线断股、绝缘子破损，安防巡检里的遗留人员、设备异常，目标本身就小，再叠加飞行姿态和画面模糊，传统 YOLO 系列模型往往容易漏掉细节，实时性也会被拖住。对工业落地来说，这些问题不是边角料，往往就是能不能上线的分水岭。
技术背景
清华大学团队提出的 YOLO-DRONE 模型在 2026 年 CVPR 大会上入选口头报告（Oral），也是低空巡检方向里少见的单阶段检测模型。它面向无人机巡检做了针对性设计，核心是把自适应尺度感知头（ASPH）和风速补偿特征对齐模块结合起来，目标很明确：补上小目标漏检、抗扰动差、实时性不足这三块短板。
这个思路不算花哨，但比较务实。巡检模型最怕的是实验室指标漂亮，到了空中就开始掉链子，所以它把重点放在动态尺度和风扰补偿上，方向是对的。
实测数据
在 UAV-DT 无人机巡检专用数据集上，YOLO-DRONE 对小目标的召回率提升比较明显，同时还能保持 1080p@45FPS 的实时处理能力。对巡检系统来说，这个速度基本够用了，至少不会因为推理瓶颈把前端采集的优势吃掉。
目前它已经部署到国内某省级电力巡检系统里，用于输电线路的自动化巡检。能从论文走到系统里，说明这套方案不是只适合展示指标，至少在电力场景里已经过了第一轮工程化验证。
