Skip to content
Other

YOLO11n v8: drone or bird

детектор мелких дронов в высоком разрешении

3 min readupdated

Модель компьютерного зрения для обнаружения небольших беспилотников в кадрах высокого разрешения и их точного отделения от птиц, самолётов и вертолётов. Это файнтюн (дообученная версия) компактной архитектуры YOLO11n на базе чекпоинта yolo11n-aod4-v7-small-targets от автора Seemorgh для библиотеки Ultralytics. В отличие от прошлой версии v7, которая находила лишь 6.5% дронов на валидации LRDD, новая модель выявляет более половины целей на тестовой выборке, а в связке с трекером вообще не путает птиц с дронами. Решение пригодится разработчикам систем видеомониторинга неба и исследователям задачи детекции сверхмалых объектов.

Ключевые особенности

  • Тайловый анализ кадров: детектор нарезает изображение в полном разрешении на квадраты 640×640 пикселей с перекрытием 20%, чтобы мелкие объекты не терялись при сжатии, а затем объединяет кандидатов.
  • Четыре класса объектов: модель распознаёт дроны (drone), птиц (bird), самолёты (airplane) и вертолёты (helicopter), срабатывая на дрон при уверенности от 0.60.
  • Опциональный каузальный трекер: скрипт track.py связывает объекты между кадрами без заглядывания в будущее и подтверждает трек только после 3 кадров и смещения минимум на половину ширины объекта.
  • Честная оценка без утечек: все пороги и настройки трекера зафиксировали на валидации до единичного прогона на тестовых наборах LRDD и Drone-vs-Bird.

Что можно сделать

  • Построить пайплайн постобработки видеопотока с камер наблюдения для выявления мелких БПЛА размером от 16 пикселей по меньшей стороне.
  • Использовать в связке с трекером reproduce/common/track.py для фильтрации ложных срабатываний на птиц в статичных камерах видеонаблюдения.
  • Взять чекпоинт за основу для дообучения под конкретные камеры и условия съёмки, чтобы повысить полноту детекции на новых ракурсах.

Пример

Сценарий запуска из карточки: кадр в полном разрешении разбивается на тайлы 640 px с перекрытием 20%, прогоняется через чекпоинт best.pt в Ultralytics, после чего кандидаты с уверенностью ≥ 0.60 передаются в трекер reproduce/common/track.py. На тесте LRDD (18 732 дрона и 1 998 птиц) связка «модель + трекер» обнаружила 51.7% дронов и 0 раз ошибочно приняла птицу за дрон.

Подробнее Метрики (порог 0.60): на LRDD test v8 находит 53.6% дронов (8 ложных срабатываний на 1 998 птиц), с трекером — 51.7% дронов и 0 ложных срабатываний на птиц; лучшая точность (86%) достигается на дронах размером 32–64 px.
Обучение: 34 096 тайлов из LRDD v3 и AOD4 v6, 16 эпох (лучший чекпоинт на 11-й, val mAP50–95 = 0.275), Ultralytics 8.4.87.
Ограничения: на камерах из нового домена (Drone-vs-Bird) бокс ставится на 69% дронов, но порог 0.60 проходят только 16–18%; объекты меньше 8 px почти не определяются; не тестировалось на смартфонах и в реальном времени.
Лицензия весов: AGPL-3.0.
Discuss Telegram 0 16

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.0 GB · ready files0.5 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # Seemorgh/yolo11n-v8-drone-or-bird
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Seemorgh/yolo11n-v8-drone-or-bird --local-dir ~/models/yolo11n-v8-drone-or-bird
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

  1. yolo11n-aod4-v6family root
  2. yolo11n-aod4-v7-small-targets
  3. yolo11n-v8-drone-or-bird

New posts about versions of yolo11n-aod4-v6 (quants, finetunes, LoRAs) will show up under the bell.

Fine-tunes 1All on Hugging Face

About the model

Seemorgh/yolo11n-v8-drone-or-bird
Author
Seemorgh
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

160

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments