一、深夜调参现场：为什么我的YOLO总是漏掉远处的小车？

上周三凌晨两点，实验室的咖啡机已经空转了三轮。显示器上，测试视频里那些远处的小车像幽灵一样，在YOLOv5的检测框里时隐时现。mAP看着还行，但实际场景里小目标的漏检率让人抓狂——这不是数字游戏，是自动驾驶项目里要命的问题。

小目标检测的痛点太典型了：像素少、特征弱、容易被背景噪声淹没。YOLO这类单阶段检测器天生对尺度敏感，默认的anchor设置和特征金字塔设计，往往更偏爱中大型目标。今天我们就拆开YOLO的“黑盒子”，聊聊那些真正在工程里踩过坑的优化策略。

---

二、从数据层面：别急着改模型，先看看你的数据“喂饱”没

很多团队一上来就魔改网络结构，其实数据层面的优化往往性价比最高。小目标检测的第一道坎，是数据本身。

数据增强要带脑子做。Mosaic增强确实能模拟小目标场景，但别无脑用——小目标经过随机缩放后可能变得比像素点还小，反而引入噪声。建议加个尺寸过滤，比如目标宽度小于4像素的直接舍弃。代码里可以这么写：

# 过滤过小目标，避免增强后变成噪声
if w < 4 or h < 4:
    continue  # 跳过这个目标，别让噪声进训练集

过采样小目标丰富的图片。数据集里通常小目标占比少，训练时模型自然“偷懒”。简单粗暴但有效的方法：统计每张图里小目标数量，对前20%的图片做重复采样。注意别过度，否则容易过拟合到特定场景。

标签要不要做模糊处理？ 小目标的边界框本身就有歧义，几个像素的偏差IoU就掉很多。有人尝试对小目标标签做轻微模糊（比如框扩大1-2像素），在实测中能提升1-2个点的召回率，但前提是后处理NMS阈值要相应调整。

---

三、网络结构改动：动刀子的三个关键位置

如果数据清洗完了效果还不理想，就得动模型了。这里有三处改动值得优先尝试。

1. 输入端：自适应锚框计算
YOLO默认的锚框是基于COCO等通用数据集聚类的，你的小目标场景很可能不匹配。跑一遍你自己的数据集聚类：

# 用自己的数据重新聚类锚框
python utils/autoanchor.py --data your_data.yaml

聚类时注意限制最大锚框尺寸，避免锚框都偏向大目标。我一般会设个上限（比如stride的4倍），强迫算法关注小尺度。

2. 特征金字塔：加一层更浅的检测头
YOLO的检测头通常接在P3、P4、P5特征层（对应下采样8、16、32倍）。小目标在P3上都已经只剩几个像素了。最直接的改进：加一个P2检测头（下采样4倍）。但这里有个坑——浅层特征语义信息弱，直接接检测头效果很差。

正确做法：在PANet结构里，让P2层不仅接收自上而下的特征，还要做一次额外的浅层融合。比如从backbone的早期阶段引一条跳跃连接，和降采样后的特征做concat。注意通道数对齐，别让参数量爆炸。

3. 检测头解耦：分类和回归任务分开
小目标对定位精度更敏感，而分类任务相对容易。YOLO的检测头通常共享卷积，但分类和回归的需求本质不同。可以试试解耦头（Decoupled Head）——用两个分支分别处理分类和回归。实测在小目标上，解耦头能稳定提升0.5-1%的mAP，代价是推理速度下降5-10%。工程上要权衡。

---

四、损失函数调优：让模型“更在意”小目标

损失函数是引导模型学习的指挥棒。默认的损失函数里，小目标因为数量少、损失值小，容易被大目标“淹没”。

1. 回归损失用CIoU，但加尺度权重
CIoU比GIoU更适合小目标，因为它考虑了中心点距离。但还不够——在CIoU基础上，给每个目标加一个尺度权重系数：

# 给小目标更高的回归权重
scale_weight = 2.0 / (w * h).sqrt()  # 面积越小，权重越高
loss_box *= scale_weight.mean()

注意要做归一化，否则训练会不稳定。这个trick在无人机检测项目里，让小目标召回率提升了3个百分点。

2. 分类损失的温度系数
小目标特征模糊，分类置信度普遍偏低。可以尝试在分类损失里加温度系数，软化标签：

# 软化分类标签，给模型更多学习空间
cls_targets = cls_targets * 0.9 + 0.1 / num_classes  # 别用太狠，0.9-0.95之间

这招对密集小目标场景（比如人群计数）特别有用。

---

五、后处理陷阱：NMS是怎么“误杀”小目标的

模型输出不错，但最后的结果还是漏？问题可能出在后处理。标准NMS（非极大值抑制）有个隐藏的坑：它按置信度排序，依次抑制重叠框。小目标往往置信度偏低，容易被旁边大目标的框抑制掉。

改进方案1：改用Soft-NMS
Soft-NMS不直接删除重叠框，而是降低它们的置信度。对于小目标密集场景（比如卫星图像里的车辆），改用Soft-NMS能让小目标存活率明显提升。代码实现简单，但推理速度会慢一点。

改进方案2：分尺度做NMS
更工程化的做法：把检测结果按目标尺寸分组，分别做NMS。大目标组用高IoU阈值（如0.7），小目标组用低阈值（如0.4）。最后再合并结果。这个方法在计算量上稍微增加，但避免了尺度间的相互压制。

---

六、工程经验：哪些策略真的值得上线

折腾了这么多策略，不是所有都值得部署到生产环境。根据我们团队在安防、自动驾驶、遥感三个领域的落地经验，给出以下建议：

数据层面必须做透。数据增强、过采样、标签清洗，这些工作性价比最高，且不影响推理速度。特别是小目标尺寸过滤，几乎零成本但效果显著。

网络改动优先加P2检测头。这是提升小目标性能最直接的手段，虽然计算量增加，但可以通过剪枝或量化弥补。解耦头可以尝试，但要注意速度损耗。

损失函数调优要谨慎。加尺度权重效果明显，但一定要做好归一化，否则训练容易崩。温度系数是个双刃剑，调不好反而会让分类模糊。

后处理改进上线风险低。Soft-NMS或分尺度NMS不涉及模型重训，可以快速A/B测试。建议作为标准后处理选项之一。

最后说个反直觉的发现：有时候降低输入分辨率反而能提升小目标检测率。特别是当原始图像里小目标已经小于检测网络的最小感受野时，降采样反而能让特征更紧凑。不妨试试把输入从640降到512，观察小目标召回率的变化。

---

七、写在最后：小目标检测没有银弹

小目标检测是个系统工程问题，从数据标注质量到模型部署，每个环节都可能成为瓶颈。我的经验是：先保证数据质量，再调模型结构，最后优化损失和后处理。别迷信某个“神奇”的改进模块，多在自己的数据集上做消融实验。

最深的那个坑，往往不在算法里，而在业务逻辑和实际场景的错配。比如，你以为的“小目标”在算法眼里可能已经是噪声。多跑实地测试，多看bad case，比刷高那0.1%的mAP更有价值。

调小目标检测就像在显微镜下修手表——需要耐心，更需要知道哪里是真正的发力点。祝各位调参顺利，少掉头发。