Rail-YOLO11:面向小目标检测的钢轨缺陷实例分割方法

摘要

针对钢轨表面小目标缺陷易漏检、背景复杂干扰显著以及模型训练不稳定等问题，提出一种面向小目标检测的钢轨缺陷实例分割算法Rail-YOLO11。该算法在YOLO11模型基础上引入钢轨小目标特征增强机制(RSFE),以增强小尺寸缺陷的表达能力；融合动态卷积机制(Dynamic C3K2),提升模型对复杂背景与多类缺陷的适应性；采用AdamW优化器提高训练收敛速度和泛化性能。在真实采集的钢轨缺陷数据集上进行实验验证，结果表明：所提模型mAP较YOLO11n提升2.5%,剥离类缺陷查全率提升9.3%,推理速度达254 FPS,充分验证了该方法在精度、鲁棒性与实用性方面的综合优势。

关键词

小目标检测 / 深度学习 / 钢轨表面缺陷 / 实例分割