125、YOLOv8改进实战：小目标检测痛点分析——TAL标签分配优化与超分辨率辅助检测方案从一次真实调试说起上个月帮一个遥感团队调YOLOv8，他们检测机场跑道上的小飞机，模型跑出来的结果让我血压直接拉满——大飞机框得漂漂亮亮，小飞机要么漏检，要么框偏到隔壁跑道上去。最离谱的是，一张图里明明有十几架小飞机，模型只检出两三个，还带着0.3几的置信度。我第一反应是看标签分配。YOLOv8默认用的TAL（Task Aligned Label Assignment），这个机制在COCO上表现确实不错，但到了小目标场景，问题就暴露得很明显。TAL的核心逻辑是计算每个预测框和GT的“对齐度”，然后选top-k个作为正样本。问题在于，小目标的特征响应本来就弱，对齐度天然偏低，top-k里很可能根本轮不到它们。TAL在小目标场景下的三个坑第一个坑是正样本数量不足。TAL的top-k选择是全局的，大目标因为特征强、对齐度高，会大量占据正样本名额。我做过统计，在VisDrone数据集上，默认的top-k=10时，小目标平均只能分到1.2个正样本，大目标能分到6-7个。这导致小目标在训练时几乎得不到梯度更新。第二个坑是中心点偏移惩罚过重。TAL里有个center prior，对偏离GT中心的预测框会打折扣。小目标本身尺寸小，特征图上的感受野覆盖范围有限，预测框稍微偏一点就掉出center prior的容忍范围。我试过把center prior的sigma从0.2调到0.5，小目标的re