ドローンやエッジビジョンシステムにおける物体検出は、災害対応、インフラ監視、防衛用途など安全が重要な応用分野で不可欠な機能です。これらの環境で高性能なモデルを実現するには、継続的に更新される大規模なデータセットが必要とされます。しかし、従来の方法では空撮画像を中央サーバーに集約して学習させるため、プライバシー保護、規制対応、ストレージ、通信帯域幅など多くの課題が生じていました。特に分散配置されたドローンでは、画像データがドローン上で生成され、中央インフラに転送することが実務的でなかったり、望ましくなかったりします。 本研究では、フェデレーテッドラーニング（FL）を物体検出に適用し、ドローンが画像データをローカルに保ちながら共有モデルを改善できる方式を提案しています。Sherpa.ai FLプラットフォームを使用してKIIT-MiTAデータセット上にフェデレーテッド物体検出パイプラインを実装し、平均適合率（mAP）で単一ドローンおよび中央集約型のベースラインと比較しました。 実験結果として、提案したFLアプローチは中央集約型の性能に近い水準を維持しながら、単一ドローンの性能を大幅に上回りました。特に限定的なエッジインフラへのデプロイにも適したYOLO26 nanoなどの軽量モデルでは、mAP@0.50で相対的に52.89%、mAP@0.50:0.95で67.80%の性能向上が実現されました。これらの成果は、フェデレーテッドラーニングが分散ドローン群全体にわたってデータ集約化することなく、スケーラブルで高性能かつプライバシーを保護する物体検出を可能にすることを示しています。