DRBD-YOLOv8模型相较于YOLOv8n进行了多项显著改进。首先，在骨干网络中引入了深度可分离卷积，以在保持计算效率的同时提升检测性能。其次，通过使用RCELAN模块和BiFPN架构，改进了跨尺度信息提取与融合。这些改进增强了模型对小目标的敏感性，同时显著降低了计算负载和复杂度。最后，DN-ShapeIoU损失函数通过根据样本质量动态调整梯度，实现了更好的边界框回归和整体检测精度。
DRBD-YOLOv8相较于原始YOLOv8n展现出显著改进，mAP50提升了1.6%，mAP95提高了1.3%，召回率增加了1.9%，精确率提升了1.3%。此外，模型的GFLOPs和参数量分别减少了29.6%和47.8%，达到了3.25M的紧凑尺寸，几乎比原始模型缩小了一半。DRBD-YOLOv8还实现了357 FPS的高帧率，满足了实时检测的需求。该模型在公开的DUT反无人机数据集上的稳健表现进一步证实了其泛化能力和可靠性。与其他领先检测模型的对比实验凸显了DRBD-YOLOv8在轻量化设计、检测速度和准确性方面的优势，使其成为部署在车辆安全系统、移动设备和边缘计算设备中进行实时无人机检测和空域威胁监测的理想选择。
然而，DRBD-YOLOv8也存在一些局限性。尽管DRBD-YOLOv8在检测速度上有所提升，但这种提升的程度仍然较小。为了进一步提高检测速度，未来的研究可能会集中在探索模型压缩策略上。此外，该模型并未考虑天气对检测性能的影响。需要集成先进的去雨和图像去雾算法，以提升模型在恶劣天气条件下的性能，从而增强其泛化能力。另外，未来的研究还将涉及将该模型部署在边缘计算设备上，进行真实无人机检测实验，并根据实验结果对模型进行微调。