LUCERNA RESEARCH · 2026

基于重参数化 YOLO26n 模型的轻量化无人机着陆标志检测方法

Lightweight UAV Landing Marker Detection Based on Reparameterized YOLO26n

一、研究背景

着陆是无人机飞行全程中风险最高的一环——据我们论文中引用的统计， 超过三成的飞行事故发生在着陆阶段。传统着陆引导手段（仪表着陆系统 ILS、全球导航卫星系统 GNSS 等） 依赖地面基础设施，在野外或电磁干扰场景下难以可靠工作； 视觉感知则以体积、重量、功耗（SWaP）特性好、隐蔽性强、抗干扰能力突出等优势， 成为无人机自主着陆引导的重要技术手段。

在基于视觉的自主着陆系统中，着陆标志检测是位姿估计的前端环节： 检测框的精度会直接传导到后续位姿解算。美国联邦航空管理局（FAA）对 III 类精密进近与着陆 提出了水平 4.1 米、垂直 0.5 米的精度要求，这对标志检测在高 IoU 阈值下的定位精度提出了严格要求。 与此同时，机载算力极其有限——如何在保证精度的同时把模型做“轻”，是本项目要回答的核心问题。

如果说起飞是向天空的告白，那么着陆就是与大地的一次郑重握手。 —— LUCERNA 研究手记

二、核心方法：RepViT-C3k2

我们的方案以端到端无 NMS 的轻量级检测器 YOLO26n（约 2.44M 参数）为基线， 借鉴 RepViT（CVPR 2024） “分离 Token Mixer 与 Channel Mixer”的重参数化设计，将其与 YOLO26 的 C3k2 CSP 结构融合， 得到 RepViT-C3k2 复合模块，并替换骨干网络第 2、4、8 层的 C3k2 模块。

RepViT-C3k2 包含四个关键组件：

• Token Mixer（多分支重参数化深度卷积）——训练时并行使用 7×7、5×5、3×3 三种尺寸的深度卷积与 Identity 分支，分别捕捉大感受野的全局上下文、 中间尺度的过渡信息与局部细节，输出逐元素相加后接 BatchNorm；
• SE 通道注意力——在 Token Mixer 与 Channel Mixer 之间插入 Squeeze-and-Excitation 模块（压缩比 r=4），动态增强关键特征通道、抑制冗余通道；
• Channel Mixer——采用倒残差式 1×1（扩展 4 倍）→ 3×3 深度卷积 → 1×1 的结构， 完成跨通道信息交互，灵感来自 ViT 中 MetaFormer 的 FFN；
• CSP 框架——保留 C3k2 的跨阶段局部连接：输入在通道维分为两路， 一路经 RepViTBlock 提取，一路跨层直连，最后拼接融合，兼顾梯度分流与特征复用。

重参数化的妙处在于“训练时多分支、推理时单分支”： 由于深度卷积逐通道独立进行空间卷积，不同核大小可以通过零填充对齐后相加， 各分支的 Conv+BatchNorm 与 Identity 分支可以在推理前融合为单个 7×7 深度卷积核—— 多分支带来的全部表达能力在部署时被“折叠”进一层卷积，零额外推理开销。 融合前后输出严格一致（我们验证的最大绝对差为 0.0）。

三、实验结果

我们在自建的无人机着陆标志数据集（两类：sign 着陆标志与 Yaw 偏航角标识， 共 1845 张图像，按 8:1:1 划分）上，以 RTX 5090（32GB）+ PyTorch 2.8.0 + Ultralytics 8.4.104 为环境， 统一使用 150 epoch、batch 16、imgsz 640、lr0=0.0005 等超参数训练了全部 7 个模型。

（一）主对比：更少的参数，更高的精度

在参数量反而减少 0.9% 的条件下，mAP50 提升 1.38 个百分点、mAP50-95 提升 1.31 个百分点， 精确率（Precision）提升 4.20 个百分点。按类别看，sign 的 AP50 提升 2.42 个百分点， Yaw 的 AP50 提升 0.34 个百分点，两类别的 Precision 均有明显改善。

（二）跨模型对比：用四分之一参数，达到九成五性能

我们的模型以约 1/4 的参数量（YOLOv11s 的 25.7%），达到了 YOLO26s 约 95% 的 mAP50——在机载算力受限的场景下，这是精度与轻量化之间更划算的平衡点。

（三）边缘部署：Jetson AGX Orin 实时推理

在 Jetson AGX Orin（imgsz=640）上，本文模型以 39.9 FPS（25.1ms）稳定满足 着陆引导 30 FPS 以上的实时性要求；视频流端到端吞吐约 36.5 FPS。 完整模型与单分支消融变体的延迟几乎一致，正说明重参数化确实把多分支开销“折叠”掉了。

我们还做了三组组件级消融（去 SE、去 Channel Mixer、单分支 Token Mixer）—— 所有变体的 mAP50（26.26%–26.65%）都明显高于基线（24.88%），验证了 RepViT-C3k2 整体结构设计的有效性。详细数据见开源仓库。

四、演示视频

下面是项目结项阶段由团队拍摄的着陆标志检测演示视频：

如需下载视频文件： 演示视频

五、着陆标识

南京航空航天大学武星研究员团队设计的着陆引导标识：外层为圆形 sign 着陆标志（直径 600mm）， 内部为 Yaw 偏航角指示标识（直径 90mm）。检测器需要同时、稳定地识别这两类目标， 供后续位姿解算使用。

标识源文件： 标识 PNG

注：本着陆标识由南京航空航天大学武星研究员团队设计，版权归其所有， 仅在本研究场景中展示与交流，严禁未经批准的商业用途。

六、数据集与模型下载

我们已把论文复现所需的全部资源整理为两个压缩包，同时发布在本站与 GitHub Release：

• 数据集（约 240MB，压缩后 252MB）：自建无人机着陆标志数据集， 含 1845 张训练图与 199 张验证图、YOLO 格式标签（sign=0，Yaw=1）与 data.yaml；
• 模型权重（约 60MB）：论文全部 7 个模型（基线、本文模型、三组消融、 YOLO26s、YOLOv11s）的 .pt 权重，附指标对照表。

数据集 dataset.zip（252 MB） 模型权重 weights_v2.zip（60 MB）

下载后解压到仓库根目录（dataset/ 与 weights_v2/）， 再按下面的步骤注册自定义模块即可评估或推理。

七、开源与复现

全部代码、配置、训练脚本与文档已开源： github.com/Lucerna-cn/yolo26n-repvit-drone-landing。 复现环境：Python 3.12、PyTorch 2.8.0+cu128、Ultralytics 8.4.104。

由于 RepViTC3k2 是自定义模块，加载配置或权重前需先注册（运行时 monkey-patch，不修改库文件）：

import sys
sys.path.insert(0, ".")
import scripts.register_repvit   # 注册 RepViTC3k2
from ultralytics import YOLO

model = YOLO("weights_v2/yolo26n_repvit_best.pt")
metrics = model.val(data="dataset/data.yaml",
                    imgsz=640, batch=16)
print(f"mAP50 = {metrics.box.map50 * 100:.2f} %")

昼短苦夜长，何不秉烛游。 —— LUCERNA 团队信条

八、团队成员

• 穆再排尔·穆合塔尔（Muzapar Muhtar）—— 计算机视觉 / 无人机，负责方法设计与实验
• 钱科诚（Qian Kecheng）—— 人工智能 / AGV，负责数据构建与训练
• 姜宇恒（Jiang Yuheng）—— 机器人，负责实机部署与演示

本项目为南京航空航天大学机电学院“LUCERNA”学生团队的研究工作之一， 相关论文为《基于重参数化YOLO26n模型的轻量化无人机着陆标志检测方法》。

本文页面素材说明：数据集与模型权重为本团队自建、自训；演示视频为团队实拍； 着陆标识由南京航空航天大学武星研究员团队设计，版权归其所有，严禁未经批准的商业用途。 如需转载或合作，请联系 official@lucerna.cn。 返回 首页。