ارتفع الطلب على كشف الأهداف بدقة في الصور الجوية مع الانتشار الواسع لتقنيات الطائرات المسيرة والأقمار الصناعية. تواجه النماذج التقليدية لكشف الأهداف، التي تم تدريبها على مجموعات بيانات متحيزة لصالح الكائنات الكبيرة، صعوبات في الأداء الأمثل في السياقات الجوية، حيث تنتشر الكائنات الصغيرة المزدحمة بشكل كثيف. لمعالجة هذه التحديات، نقدم نهجًا مبتكرًا يجمع بين تقنية تحسين الدقة (Super-Resolution) وبنية YOLOv5 خفيفة الوزن معدلة. استخدمنا مجموعة متنوعة من مجموعات البيانات، بما في ذلك VisDrone-2023 وSeaDroneSee وVEDAI وNWPU VHR-10، لتقييم أداء نموذجنا. يتميز بناء YOLOv5 المحسّن بالدقة بوجود كتل مشفرة باستخدام معمارية Transformer، مما يمكّن النموذج من استيعاب السياق العام والمعلومات السياقية، مما يؤدي إلى تحسين نتائج الكشف، خاصة في الظروف ذات الكثافة العالية والاختناقات. هذا النموذج الخفيف لا يوفر دقة محسّنة فحسب، بل يضمن أيضًا استخدامًا فعّالًا للموارد، مما يجعله مناسبًا جدًا للتطبيقات الزمنية الحقيقية. تُظهر النتائج التجريبية أداءً متفوقًا للنموذج في كشف الكائنات الصغيرة والمتجمعة بكثافة، مما يبرز أهمية اختيار مجموعة البيانات والتكيف المعماري لهذا المهمة المحددة. وبشكل خاص، حقق النهج 52.5% من mAP على مجموعة VisDrone، متفوقًا على أفضل الأداءات السابقة. يُعد هذا النهج واعدًا بتحقيق تقدم كبير في كشف الأهداف في الصور الجوية، ويساهم في تحقيق نتائج أكثر دقة وموثوقية في مجموعة واسعة من التطبيقات الواقعية.