基于YOLOv8s的无人机目标检测算法改进：颈部融合优化、尾部检测增强与损失函数重构摘要无人机航拍目标检测在智慧城市、环境监测、交通管理等领域具有广泛的应用前景，但由于航拍视角下目标尺寸小、背景复杂、遮挡严重等问题，现有算法仍面临检测精度不足的挑战。本文针对YOLOv8s目标检测算法，从网络结构和损失函数两个维度提出三项改进：在颈部网络引入加权双向特征金字塔融合模块（BiFPN-Concat），替代传统的Concat操作，增强多尺度特征的表达能力；在尾部增加160×160的高分辨率小目标检测头，有效捕获浅层特征图中的细粒度信息；将原有的CIoU边界框回归损失函数替换为Inner-WIoU损失函数，通过引入辅助边界框和动态聚焦机制，提升小目标的定位精度。三项改进均在保证轻量化的前提下，以少量代码实现显著精度提升。本文详细阐述了各改进模块的设计原理、核心代码实现及集成方法，并在VisDrone2019公开数据集上进行了实验验证。结果表明，改进后的模型在mAP50指标上较基准YOLOv8s提升了6.2个百分点，验证了所提方法的有效性。关键词：YOLOv8s；无人机航拍；小目标检测；特征融合；Inner-WIoU损失函数1 引言1.1 研究背景近年来，随着无人机技术的飞速发展和广泛应用，无人机航拍图像目标检测已成为计算机视觉领域的研究热点。无人机凭借其高机动性、低成本和广视角等优势，在交通监控、灾害评估、农业植保、边境巡逻等任务中发挥着不可替代的作用。然而，目标检测作为无人机智