1.一种基于FLEX‑YOLO网络的无人机航拍小目标检测方法，其特征在于，包括如下步骤：S1:获取公开的无人机航拍图像数据集Visdrone2019并进行预处理；

S2:构建FLEX‑YOLO网络模型，该网络以YOLOv11网络为基础网络，在所述YOLOv11的骨干网络中引入设计的多路径反馈感知模块MPFP，通过多路径设计结合深度可分离卷积DWConv、双层路由注意力BRA和多层感知机MLP，得到改进的骨干网络；

S3:将YOLOv11的颈部网络改进为联合特征交互网络JFIN，通过在不同特征层间建立了全连接式的信息流通道，以丰富非相邻层之间的信息交互，得到改进的颈部网络；联合特征交互网络JFIN的设计方法为：S31:将YOLOv11中由Backbone提取的特征图按尺度从大到小标记为C1至C5，其中C1属于特征提取的初始阶段，不直接参与多尺度融合过程，首先对C3和C4进行中层特征融合，启动多尺度融合序列：S32:在不同特征层间建立了全连接式的信息流通道，以丰富非相邻层之间的信息交互：其中， 表示在特征层k中位置i,j处融合后的输出特征， 或 表示从原始特征图中提取的特征向量， 用于建模C3和C4之间的特征交互， 代表权重参数，且满足归一化约束S33:基于JFIN的多尺度检测机制，在网络结构中新增了一个160×160分辨率的小目标检测头；

S4:在YOLOv11的主干网络以及颈部网络中引入设计的GhostPlus轻量化模块，通过采用逐点加法操作替代传统的通道拼接操作，并引入“前激活”策略，实现模型的轻量化计算；

S5:对构建完成的模型采用基于全局评分的剪枝策略LAMP，实现模型的压缩；

S6:以FLEX‑YOLO网络作为检测模型，利用训练集和验证集对其进行训练和验证，生成最终的检测模型；

S7:利用最终训练完成的检测模型，以测试集作为输入，对FLEX‑YOLO模型进行测试。

2.根据权利要求1所述的一种基于FLEX‑YOLO网络的无人机航拍小目标检测方法，其特征在于，所述步骤S1中，预处理的步骤包括：S11:将原始标注格式转换为YOLO格式，其中每一行数据表示一个目标信息，具体包括目标的类别编号、目标在图像中的中心位置坐标x和y、以及目标的宽度w和高度h；

S12:将所有图像裁剪或填充至固定大小像素，同时保持图像的长宽比，未填充区域使用零填充处理；

S13:对数据集进行合理划分，训练集用于模型训练，验证集用于参数优化与性能评估，测试集用于最终检测效果的测试。

3.根据权利要求1所述的一种基于FLEX‑YOLO网络的无人机航拍小目标检测方法，其特征在于，所述步骤S2中，多路径反馈感知模块MPFP的设计方法为：S21:采用DWConv代替标准卷积，通过将标准卷积分解为卷积核为3×3的深度卷积，在每个通道上独立执行卷积操作，用于提取空间特征，以及卷积核为1×1的逐点卷积，对所有通道进行线性组合以融合通道间的信息；

S22:引入双层路由注意力BRA，其核心在于通过保留每个区域与其他区域中最相关的r rTop‑k个连接，对生成的邻接矩阵A 执行逐行的Top‑k操作，生成路由索引矩阵I，其中每一行包含当前区域与其k个最相关区域的索引，以规避冗余计算；

r r

I＝TopKIndex(A)    (1)

S23:加入多层感知机MLP，通过非线性变换增强通道特征的表达能力。

4.根据权利要求1所述的一种基于FLEX‑YOLO网络的无人机航拍小目标检测方法，其特征在于，所述步骤S4中，GhostPlus轻量化模块的设计方法为：S41:采用Add操作替换Concat操作，通过逐点加法操作替代传统的通道拼接操作：其中，s代表通过加法操作合并的特征通道的个数；

S42:引入了“前激活”策略，将归一化和激活函数置于卷积操作之前，并将传统的ReLU激活函数替换为非线性表达能力更好的SiLU激活函数。

5.根据权利要求1所述的一种基于FLEX‑YOLO网络的无人机航拍小目标检测方法，其特征在于，所述步骤S5中，LAMP剪枝算法的实现方法为：S51:基于权重幅度引入了一种重要性分数定义，对于权重张量W中第u个索引，将LAMP分数定义如下：其中，W[u]表示权重张量中索引为u的元素，分母则为从索引u到末尾所有权重平方的和；

S52:基于LAMP分数衡量目标权重在其所在层剩余权重中的相对重要性，根据设定的剪枝率剪掉LAMP分数相对较低的权重。

6.根据权利要求1所述的一种基于FLEX‑YOLO网络的无人机航拍小目标检测方法，其特征在于，所述步骤S6中，以FLEX‑YOLO网络作为检测模型，利用训练集和验证集对其进行训练和验证，生成最终的检测模型的步骤包括：S61:实验环境设定在Ubuntu 20.04.4LTS系统上，基于PyTorch2.5.0框架，并使用CUDA 

11.4进行加速，硬件环境为NVIDIA RTX A6000 GPU，显存为48G；

S62:模型的初始学习率设为0.01，动量参数设置为0.937，权重衰减系数为0.0005，批量大小设为16；

S63:将预处理后的训练集输入FLEX‑YOLO网络，通过前向传播计算分类损失、定位损失和置信度损失，随后进行反向传播并更新参数，训练过程持续进行200个epoch；

S64:在每个epoch结束后，将验证集输入当前模型进行推理，并实时评估性能指标，训练完成后，选择验证集mAP最高的模型权重作为最终的检测模型。

7.一种基于FLEX‑YOLO网络的无人机航拍小目标检测装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑6中任一项所述的基于FLEX‑YOLO网络的无人机航拍小目标检测方法。

8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑6中任一项所述的基于FLEX‑YOLO网络的无人机航拍小目标检测方法。