做了一个多月低空航拍车辆检测项目，我的主要痛苦来源根本不是大模型训不动，而是那些只有十几个像素的车辆目标——大目标几乎全部正常，小目标全线漏检。一开始我也跟大多数人一样，把输入分辨率从640拉到1280，换更大的backbone，效果微乎其微，训练成本却成倍上升。后来我把模型换到了YOLOv12上，针对极小目标场景做了一轮系统性改造，同一批数据上AP_s提升了将近8个点，推理速度依然保持在实时范围。这篇博文会完整梳理我从“问题分析”到“框架设计”，再到“训练调参”和“踩坑复盘”的全过程，希望能给正在做遥感、监控、工业质检这类场景的朋友提供一个可以直接参考的落地方案。1. 极小目标检测为什么难：先弄清楚瓶颈在哪1.1 极小目标和常规小目标，标准差异很大想看任何技术方案，先得把“极小目标”的定义对齐。公开检测基准里通常把面积小于32x32像素的目标归为small；到实际项目里，很多团队把8x8以下、或者目标面积不到整图1%的情况归为“极小”。这两个标准差别很大，因为模型在不同尺度目标上的失败模式完全不同。拿我做的航拍场景来说，800x800图像里一辆普通轿车的高度和宽度大约就是8x8像素，总信息量只有64个像素，分到RGB三个通道，有效特征少得可怜。人眼都要贴近屏幕才能看清，模型要从这里面提取分类和定位特征，难度是结构性的。1.2 深层下采样之后，小目标直接“蒸发”YOLO系列默认输入是640x640，主干网络里有5次stride=2的下采样，最终用于检测的P5特征图只有20x20分辨率。一个8x8的目标下采样到P5层之后理论大小是0.25x0.25个像素，基本等于不存在；P3层是80x80，一个目标勉强能占1个像素，和背景噪声几乎没区别。这也是为什么很多人第一反应就是“加大输入分辨率”。思路本身没错，但代价很大：输入从640提高到1280，FLOPs增长接近数倍，显存和训练吞吐都压力山大。而且，哪怕分辨率提高了，深层特征图上小目标依旧只有一个点，卷积核的感受野远远大于目标自身范围，模型很难从单点信息上学会“这是一个完整物体”。1.3 正样本分配、NMS和标注噪声，三个坑一个接一个除了网络结构，训练流程里有两个非常琐碎但决定成败的环节。第一个是正负样本分配。极小目标和anchor、中心点的IoU天然非常低，很多匹配策略会直接把低IoU的候选当作负样本丢弃，导致模型压根不知道这里有个目标。另一个是NMS后处理。密集排列的小目标（比如一排停车场的车、一群飞鸟）之间IoU很高，NMS经常把其中一个框当成另一个框的重复检测给压掉，漏检率直接起飞。再叠加标注噪声问题。极小目标在图上只有几个像素，人工标注时框偏几个像素太常见了。这个偏差对32x32的大目标无关痛痒，但对8x8的小目标却是致命的监督噪音。我记得自己接手过的数据集里，小目标框的标注偏移普遍在±3像素左右，这会直接限制模型能学到的精度上限。2. YOLOv12里真正影响小目标检测的四个设计变化2.1 C3k和A2C2f把注意力放进了特征融合链路YOLOv12整体延续了此前YOLO系列的检测头和训练流程，但backbone里的模块换成了强调局部建模的C3k，neck里的跨阶段融合模块升级为A2C2f——一种融合了注意力机制的C2f变体。换句话说，模型在融合不同尺度特征时，会沿着空间关系重新对每个位置做加权，而不是简单地把特征图叠起来。这个点对小目标的意义非常直接：单个小目标自身特征太少，但它周围的上下文其实很丰富。比如一辆小车旁边的路面纹理、车道线、路肩，都在为人眼和模型提供判断依据。注意力机制本质上是在帮模型决定“该把计算资源放在哪里”，对上下文敏感的模型，往往能靠周围线索把模糊的小目标“猜”出来。2.2 RFA区域注意力：小代价拿到全局视野YOLOv12提出的RFA（Regional Feature Attention）给了我很大启发。常规的全局注意力需要让每个位置与其他所有位置交互，空间复杂度随分辨率平方增长，这对检测这种天然高分辨率输入的任务非常不友好。RFA的思路是先通过卷积把局部区域的信息对齐压缩，在一个区域级别上计算注意力，计算量大幅下降，但依然保留了跨区域的长程信息传递能力。对小目标场景来说，能否获取全局上下文很重要。一个10像素的目标如果只看它自己周围5x5的区域，很容易被当成噪点；但如果能看到整片路面的走向、车辆排列的密集程度，判断的置信度会完全不同。2.3 动态一对一匹配替代NMS，减少密集目标的互相压制YOLOv12在训练阶段引入了动态一对一标签匹配，让每个GT框只匹配一个预测，从而在推理阶段去掉NMS依赖。这一点在密集小目标场景里属于实打实的利好。以前后处理NMS会把高IoU的相邻预测框直接压掉，尤其在车流密集、目标重叠率高的航拍图里，误杀率非常高。换成动态一对一匹配之后，模型在训练期就学会了“一个目标只输出一个最终框”，同类目标之间互不干扰，漏检下降明显。2.4 FlashAttention带来的部署优势：实时性不可妥协工业场景里做小目标检测，帧率往往是比精度更先卡住的硬指标。YOLOv12引入FlashAttention做了大量开销优化，注意力模块的推理成本被压得很低。我自己的实测对比里，同等规模的YOLOv12推理速度比带注意力机制的Transformer检测器快出不少。这意味着什么？你可以在嵌入式设备、无人机机载盒子这些算力有限的平台上，用更多余量去换取P2高分辨率特征图和切图推理这类操作，而不是被迫在“跑得动”和“检得出”之间二选一。3. 框架搭建：基于YOLOv12的极小目标检测完整设计3.1 增加P2检测头，在stride=4的特征图上找回目标整个框架里面收益最大的一步，是增加P2检测头。默认的YOLOv12输出从P3（stride=8）开始，8x8目标勉强占1个像素，信息量太低。P2层对应stride=4，640x640输入下能拿到160x160的高分辨率特征图，小目标在这里终于不再“蒸发”。改法并不复杂：在模型配置文件里注册一个stride=4的输出，从主干低层拉一条上采样分支，接一层A2C2f做融合，然后同时输出P2、P3、P4、P5四个尺度的特征。代码层面的示意大致是这样：head: - [-1, 1, A2C2f, [512]] # 上采样融合层 - [-1, 1, Detect, [nc, [160, 80, 40, 20]]] # 四尺度输出需要注意的是，P2头会让neck部分的特征图数量翻几倍。我在单卡上从P3-P5版本升到P2-P5版本，训练显存从11GB涨到了15GB，训练耗时也增加了约40%。但这个代价换回来的AP_s提升，在我这个数据集上非常值。3.2 轻量多尺度自注意力融合：给低层细节和高层语义一个可学习开关加了P2头之后，很容易出现另一种问题：P2特征图分辨率高，但语义弱，直接concat进检测头会让模型被大量背景纹理干扰。我按常规实践补了一个很轻量的多尺度融合模块，对不同尺度特征统一通道后做可学习加权相加，核心思想是给模型一个“信低层细节还是信高层语义”的可学习开关。class MSFF(nn.Module): def __init__(self, dim): super().__init__() self.conv_p2 = nn.Conv2d(dim, dim, 1) self.conv_p3 = nn.Conv2d(dim, dim, 1) self.gate = nn.Sequential( nn.Conv2d(dim * 2, dim, 1), nn.Sigmoid() ) def forward(self, p2, p3): p2 = self.conv_p2(p2) p3_up = F.interpolate(self.conv_p3(p3), size=p2.shape[-2:]) g = self.gate(torch.cat([p2, p3_up], dim=1)) return g * p2 + (1 - g) * p3_up这个模块参数量很小，但训练稳定性比直接concat好很多。我自己的对比里，加了它之后mAP50-95有小幅提升，更关键的是不同随机种子之间的精度方差明显缩小。3.3 正负样本分配器调整：别让低IoU的小目标全变成负样本YOLOv12默认的匹配策略在常规目标上很好用，但换到极小目标时还是显得苛刻。我做了两处小改造。第一，把中心采样区域从GT框中心扩展到整个GT框内部，让更多小目标候选有机会落入正样本范围；第二，把top-k候选数量调大，尽量多保留低IoU但真实存在的小目标候选。原因是极小目标与候选位置的IoU经常在0.3以下，太严格的匹配会把它们大批量判为负样本。副作用也明确说一下：候选变多之后，训练速度会变慢，误检也可能变多，需要同步配合置信度阈值调整。这类参数在不同数据集上差异很大，建议每次只动一个变量，用控制变量法去测。3.4 切图推理加目标合并：工程侧第一步就能捡回不少召回模型层面的改造之外，我在推理阶段加了一步切图流程：把大图切成互相有重叠的Patch，分别过模型，再把结果合并回原坐标。这一步对极小目标的提升非常惊人，因为原始分辨率下大量目标处于图像边缘，切图后它们会变成Patch内部的完整目标。具体参数上，我用了512x512的Patch、64像素的重叠，合并时用加权融合，而不是简单取两个Patch中的最高置信度框。代价是推理耗时成倍增加——切成4块就是4倍的模型推理量，所以项目上线时我这边是用异步队列把切图、推理、合并串成流水线，用整体吞吐换单帧延迟。4. 训练与调参：把框架跑出效果的那些配置细节4.1 数据准备阶段，先花半天做小目标标注质检不管模型结构多先进，训练数据的底子决定上限。我拿到新数据集的第一件事，是把所有小于10像素的GT框单独导出，逐张过一遍，把漏标、错标、偏移过大的框手工修正。这个步骤大概要花掉半天时间，但能省掉后面无数个排查夜色下的头痛时刻。小目标框偏移的危害前面已经说过，这里再给一个量化感受：一个8x8的GT框如果向右偏移2像素，和真实目标的IoU可能直接从0.5掉到0.3，原本够格的样本直接落入负样本区间。所以做极小目标检测，千万别跳过这一步。4.2 数据增强策略：对小目标“手下留情”常规YOLO默认开启的Mosaic增强，把四张图缩放到一张图上，会让目标进一步变小，极易低于配准阈值被丢弃。我实验下来，比较有效的组合是：保留Mosaic但把概率降到默认值的一半左右，同时增加CopyPaste增强，让极小目标在不同背景下多次出现，增强模型对上下文变化的鲁棒性。提示：小目标增强的关键是“让小目标多次出现、出现在不同背景下”，而不是让小目标变得更小。尺度抖动的下界要控制住，别把目标裁到只剩2-3个像素，否则增强出来的样本就是纯噪声。4.3 训练超参与损失函数的组合经验我最终用来出模型的配置是：SGD优化器加余弦退火，前5个epoch做warmup，batch size在显存允许下至少16。定位损失保留CIoU和DFL的组合，DFL的分布输出在小目标上表现稳定。学习率这块需要多说一句：注意力模块的加入让训练对学习率敏感了不少。我试过一上来就用较高的初始学习率，结果前几个epoch的loss震荡得很厉害；把初始学习率降到默认值的70%左右，再配合warmup，训练曲线明显平稳。另外，EMA平均参数我最终保留了下来，这套配置几乎不增加推理成本，但出模型的稳定性好一个档次。4.4 部署量化阶段的坑：尽量保住P2头的精度训练完FP16权重效果不错，但转INT8量化后P2头经常是精度掉得最厉害的部分。原因也好理解：小目标特征在高分辨率区域里本来就很稀疏，低比特量化很容易把那些微弱但关键的响应直接截断成0。我最终的量化策略是混合精度：P2头所在子图保持FP16，其他算子走INT8。这样模型总体显存和速度还能吃到量化的红利，同时不牺牲小目标精度。如果平台不支持混合精度，退而求其次的方案是给P2头单独做校准集补偿。5. 实验对比与踩坑记录：一次完整复盘5.1 实验设定与结果对比所有实验都用同一个低空航拍车辆数据集，约5000张，800x800分辨率。目标面积大部分在25到45像素之间，极小目标（小于10像素）大约占30%。我按顺序做了四组对比，结果如下：配置mAP50mAP50-95AP_s推理FPS基线YOLOv12-M0.6320.4080.19792+ P2检测头0.6740.4450.24174+ 多尺度融合模块0.6810.4530.24772+ 分配器调整 + 切图推理0.7120.4720.27141P2头的贡献最大，直接让AP_s涨了4个多点；多尺度融合模块主要提升精度稳定性；分配器调整和切图推理在AP_s上属于锦上添花，但推理帧率掉得也很明显。所以上线时我保留的是前三个配置的模型，切图推理只在离线分析链路里启用。5.2 排查链路一：P2头训练初期loss纹丝不动加P2头后的前二十个epoch，loss几乎不动，偶尔还有nan。我先怀疑学习率，调低后无果；又怀疑梯度爆炸，加梯度裁剪仍然无效；最后逐项检查loss分量，发现框的置信度损失居高不下。排查到最后，根因是P2头的随机初始化分支在早期输出分布太极端，加上正样本稀少，置信度直接退化到0。解决办法是前5个epoch先冻结P2头分支，让backbone和P3-P5头把基础特征学好，再放开P2头参与训练。放开之后loss立刻顺利下降，这个经验后来在几个相似项目里都复现有效。5.3 排查链路二：切图推理后，边界处的目标被反复漏检切图跑通之后，位于Patch边缘的目标经常漏检，要么输出框被裁成半框。一开始我怀疑是重叠不够，把重叠从0加到64像素，漏检减少了但没根治。后来逐帧比对发现，合并逻辑只保留了最高置信度框，一旦边缘框置信度略高，就错误地覆盖了内部完整框。最终方案是：合并时对跨Patch边界的框做降权校验，同时按框中心点距离做位置融合，而不是简单取最大值。这个改动之后，边缘漏检基本消失。5.4 排查链路三：背景纹理区域的误检怎么都压不下去有一版模型在路面标线、树冠边缘这些纹理丰富区域的误检非常严重，置信度还很高。我查了标注，发现这些纹理区域在训练集中被大量漏标为背景，模型学到的是“这里的纹理和车标过去的纹理相似度很高”。这个问题的根治手段是数据层面，不是调阈值。我手工补标了500张难例图重新训练，误检显著下降；上线阈值也适当上调了0.1做保守处理。有时候模型反馈回来的问题其实是数据问题，别一味靠炼丹去兜底。最后如果让我总结这段经历，极小目标检测的收益基本不是来自某一个酷炫模块，而是来自高分辨率特征图、合理的匹配策略、数据增强和后处理这条流水线每一环都不掉链子。YOLOv12的注意力升级恰好把这条流水线的上限抬高了一些。对刚接触这个方向的朋友，我的建议是按顺序做三件事：第一，先给训练数据做小目标标注质检，别急着改网络；第二，直接给模型加P2头，这是性价比最高的结构改动；第三，如果离线任务对延迟不敏感，切图推理能带来很直接的召回提升。等这些做完，再去调分配器、改融合模块，你会发现很多“模型能力不足”的问题，其实在前面几步就已经解决了一半。
做了一个多月低空航拍车辆检测项目，我的主要痛苦来源根本不是大模型训不动，而是那些只有十几个像素的车辆目标——大目标几乎全部正常，小目标全线漏检。一开始我也跟大多数人一样，把输入分辨率从640拉到1280，换更大的backbone，效果微乎其微，训练成本却成倍上升。后来我把模型换到了YOLOv12上，针对极小目标场景做了一轮系统性改造，同一批数据上AP_s提升了将近8个点，推理速度依然保持在实时范围。这篇博文会完整梳理我从“问题分析”到“框架设计”，再到“训练调参”和“踩坑复盘”的全过程，希望能给正在做遥感、监控、工业质检这类场景的朋友提供一个可以直接参考的落地方案。1. 极小目标检测为什么难：先弄清楚瓶颈在哪1.1 极小目标和常规小目标，标准差异很大想看任何技术方案，先得把“极小目标”的定义对齐。公开检测基准里通常把面积小于32x32像素的目标归为small；到实际项目里，很多团队把8x8以下、或者目标面积不到整图1%的情况归为“极小”。这两个标准差别很大，因为模型在不同尺度目标上的失败模式完全不同。拿我做的航拍场景来说，800x800图像里一辆普通轿车的高度和宽度大约就是8x8像素，总信息量只有64个像素，分到RGB三个通道，有效特征少得可怜。人眼都要贴近屏幕才能看清，模型要从这里面提取分类和定位特征，难度是结构性的。1.2 深层下采样之后，小目标直接“蒸发”YOLO系列默认输入是640x640，主干网络里有5次stride=2的下采样，最终用于检测的P5特征图只有20x20分辨率。一个8x8的目标下采样到P5层之后理论大小是0.25x0.25个像素，基本等于不存在；P3层是80x80，一个目标勉强能占1个像素，和背景噪声几乎没区别。这也是为什么很多人第一反应就是“加大输入分辨率”。思路本身没错，但代价很大：输入从640提高到1280，FLOPs增长接近数倍，显存和训练吞吐都压力山大。而且，哪怕分辨率提高了，深层特征图上小目标依旧只有一个点，卷积核的感受野远远大于目标自身范围，模型很难从单点信息上学会“这是一个完整物体”。1.3 正样本分配、NMS和标注噪声，三个坑一个接一个除了网络结构，训练流程里有两个非常琐碎但决定成败的环节。第一个是正负样本分配。极小目标和anchor、中心点的IoU天然非常低，很多匹配策略会直接把低IoU的候选当作负样本丢弃，导致模型压根不知道这里有个目标。另一个是NMS后处理。密集排列的小目标（比如一排停车场的车、一群飞鸟）之间IoU很高，NMS经常把其中一个框当成另一个框的重复检测给压掉，漏检率直接起飞。再叠加标注噪声问题。极小目标在图上只有几个像素，人工标注时框偏几个像素太常见了。这个偏差对32x32的大目标无关痛痒，但对8x8的小目标却是致命的监督噪音。我记得自己接手过的数据集里，小目标框的标注偏移普遍在±3像素左右，这会直接限制模型能学到的精度上限。2. YOLOv12里真正影响小目标检测的四个设计变化2.1 C3k和A2C2f把注意力放进了特征融合链路YOLOv12整体延续了此前YOLO系列的检测头和训练流程，但backbone里的模块换成了强调局部建模的C3k，neck里的跨阶段融合模块升级为A2C2f——一种融合了注意力机制的C2f变体。换句话说，模型在融合不同尺度特征时，会沿着空间关系重新对每个位置做加权，而不是简单地把特征图叠起来。这个点对小目标的意义非常直接：单个小目标自身特征太少，但它周围的上下文其实很丰富。比如一辆小车旁边的路面纹理、车道线、路肩，都在为人眼和模型提供判断依据。注意力机制本质上是在帮模型决定“该把计算资源放在哪里”，对上下文敏感的模型，往往能靠周围线索把模糊的小目标“猜”出来。2.2 RFA区域注意力：小代价拿到全局视野YOLOv12提出的RFA（Regional Feature Attention）给了我很大启发。常规的全局注意力需要让每个位置与其他所有位置交互，空间复杂度随分辨率平方增长，这对检测这种天然高分辨率输入的任务非常不友好。RFA的思路是先通过卷积把局部区域的信息对齐压缩，在一个区域级别上计算注意力，计算量大幅下降，但依然保留了跨区域的长程信息传递能力。对小目标场景来说，能否获取全局上下文很重要。一个10像素的目标如果只看它自己周围5x5的区域，很容易被当成噪点；但如果能看到整片路面的走向、车辆排列的密集程度，判断的置信度会完全不同。2.3 动态一对一匹配替代NMS，减少密集目标的互相压制YOLOv12在训练阶段引入了动态一对一标签匹配，让每个GT框只匹配一个预测，从而在推理阶段去掉NMS依赖。这一点在密集小目标场景里属于实打实的利好。以前后处理NMS会把高IoU的相邻预测框直接压掉，尤其在车流密集、目标重叠率高的航拍图里，误杀率非常高。换成动态一对一匹配之后，模型在训练期就学会了“一个目标只输出一个最终框”，同类目标之间互不干扰，漏检下降明显。2.4 FlashAttention带来的部署优势：实时性不可妥协工业场景里做小目标检测，帧率往往是比精度更先卡住的硬指标。YOLOv12引入FlashAttention做了大量开销优化，注意力模块的推理成本被压得很低。我自己的实测对比里，同等规模的YOLOv12推理速度比带注意力机制的Transformer检测器快出不少。这意味着什么？你可以在嵌入式设备、无人机机载盒子这些算力有限的平台上，用更多余量去换取P2高分辨率特征图和切图推理这类操作，而不是被迫在“跑得动”和“检得出”之间二选一。3. 框架搭建：基于YOLOv12的极小目标检测完整设计3.1 增加P2检测头，在stride=4的特征图上找回目标整个框架里面收益最大的一步，是增加P2检测头。默认的YOLOv12输出从P3（stride=8）开始，8x8目标勉强占1个像素，信息量太低。P2层对应stride=4，640x640输入下能拿到160x160的高分辨率特征图，小目标在这里终于不再“蒸发”。改法并不复杂：在模型配置文件里注册一个stride=4的输出，从主干低层拉一条上采样分支，接一层A2C2f做融合，然后同时输出P2、P3、P4、P5四个尺度的特征。代码层面的示意大致是这样：head: - [-1, 1, A2C2f, [512]] # 上采样融合层 - [-1, 1, Detect, [nc, [160, 80, 40, 20]]] # 四尺度输出需要注意的是，P2头会让neck部分的特征图数量翻几倍。我在单卡上从P3-P5版本升到P2-P5版本，训练显存从11GB涨到了15GB，训练耗时也增加了约40%。但这个代价换回来的AP_s提升，在我这个数据集上非常值。3.2 轻量多尺度自注意力融合：给低层细节和高层语义一个可学习开关加了P2头之后，很容易出现另一种问题：P2特征图分辨率高，但语义弱，直接concat进检测头会让模型被大量背景纹理干扰。我按常规实践补了一个很轻量的多尺度融合模块，对不同尺度特征统一通道后做可学习加权相加，核心思想是给模型一个“信低层细节还是信高层语义”的可学习开关。class MSFF(nn.Module): def __init__(self, dim): super().__init__() self.conv_p2 = nn.Conv2d(dim, dim, 1) self.conv_p3 = nn.Conv2d(dim, dim, 1) self.gate = nn.Sequential( nn.Conv2d(dim * 2, dim, 1), nn.Sigmoid() ) def forward(self, p2, p3): p2 = self.conv_p2(p2) p3_up = F.interpolate(self.conv_p3(p3), size=p2.shape[-2:]) g = self.gate(torch.cat([p2, p3_up], dim=1)) return g * p2 + (1 - g) * p3_up这个模块参数量很小，但训练稳定性比直接concat好很多。我自己的对比里，加了它之后mAP50-95有小幅提升，更关键的是不同随机种子之间的精度方差明显缩小。3.3 正负样本分配器调整：别让低IoU的小目标全变成负样本YOLOv12默认的匹配策略在常规目标上很好用，但换到极小目标时还是显得苛刻。我做了两处小改造。第一，把中心采样区域从GT框中心扩展到整个GT框内部，让更多小目标候选有机会落入正样本范围；第二，把top-k候选数量调大，尽量多保留低IoU但真实存在的小目标候选。原因是极小目标与候选位置的IoU经常在0.3以下，太严格的匹配会把它们大批量判为负样本。副作用也明确说一下：候选变多之后，训练速度会变慢，误检也可能变多，需要同步配合置信度阈值调整。这类参数在不同数据集上差异很大，建议每次只动一个变量，用控制变量法去测。3.4 切图推理加目标合并：工程侧第一步就能捡回不少召回模型层面的改造之外，我在推理阶段加了一步切图流程：把大图切成互相有重叠的Patch，分别过模型，再把结果合并回原坐标。这一步对极小目标的提升非常惊人，因为原始分辨率下大量目标处于图像边缘，切图后它们会变成Patch内部的完整目标。具体参数上，我用了512x512的Patch、64像素的重叠，合并时用加权融合，而不是简单取两个Patch中的最高置信度框。代价是推理耗时成倍增加——切成4块就是4倍的模型推理量，所以项目上线时我这边是用异步队列把切图、推理、合并串成流水线，用整体吞吐换单帧延迟。4. 训练与调参：把框架跑出效果的那些配置细节4.1 数据准备阶段，先花半天做小目标标注质检不管模型结构多先进，训练数据的底子决定上限。我拿到新数据集的第一件事，是把所有小于10像素的GT框单独导出，逐张过一遍，把漏标、错标、偏移过大的框手工修正。这个步骤大概要花掉半天时间，但能省掉后面无数个排查夜色下的头痛时刻。小目标框偏移的危害前面已经说过，这里再给一个量化感受：一个8x8的GT框如果向右偏移2像素，和真实目标的IoU可能直接从0.5掉到0.3，原本够格的样本直接落入负样本区间。所以做极小目标检测，千万别跳过这一步。4.2 数据增强策略：对小目标“手下留情”常规YOLO默认开启的Mosaic增强，把四张图缩放到一张图上，会让目标进一步变小，极易低于配准阈值被丢弃。我实验下来，比较有效的组合是：保留Mosaic但把概率降到默认值的一半左右，同时增加CopyPaste增强，让极小目标在不同背景下多次出现，增强模型对上下文变化的鲁棒性。提示：小目标增强的关键是“让小目标多次出现、出现在不同背景下”，而不是让小目标变得更小。尺度抖动的下界要控制住，别把目标裁到只剩2-3个像素，否则增强出来的样本就是纯噪声。4.3 训练超参与损失函数的组合经验我最终用来出模型的配置是：SGD优化器加余弦退火，前5个epoch做warmup，batch size在显存允许下至少16。定位损失保留CIoU和DFL的组合，DFL的分布输出在小目标上表现稳定。学习率这块需要多说一句：注意力模块的加入让训练对学习率敏感了不少。我试过一上来就用较高的初始学习率，结果前几个epoch的loss震荡得很厉害；把初始学习率降到默认值的70%左右，再配合warmup，训练曲线明显平稳。另外，EMA平均参数我最终保留了下来，这套配置几乎不增加推理成本，但出模型的稳定性好一个档次。4.4 部署量化阶段的坑：尽量保住P2头的精度训练完FP16权重效果不错，但转INT8量化后P2头经常是精度掉得最厉害的部分。原因也好理解：小目标特征在高分辨率区域里本来就很稀疏，低比特量化很容易把那些微弱但关键的响应直接截断成0。我最终的量化策略是混合精度：P2头所在子图保持FP16，其他算子走INT8。这样模型总体显存和速度还能吃到量化的红利，同时不牺牲小目标精度。如果平台不支持混合精度，退而求其次的方案是给P2头单独做校准集补偿。5. 实验对比与踩坑记录：一次完整复盘5.1 实验设定与结果对比所有实验都用同一个低空航拍车辆数据集，约5000张，800x800分辨率。目标面积大部分在25到45像素之间，极小目标（小于10像素）大约占30%。我按顺序做了四组对比，结果如下：配置mAP50mAP50-95AP_s推理FPS基线YOLOv12-M0.6320.4080.19792+ P2检测头0.6740.4450.24174+ 多尺度融合模块0.6810.4530.24772+ 分配器调整 + 切图推理0.7120.4720.27141P2头的贡献最大，直接让AP_s涨了4个多点；多尺度融合模块主要提升精度稳定性；分配器调整和切图推理在AP_s上属于锦上添花，但推理帧率掉得也很明显。所以上线时我保留的是前三个配置的模型，切图推理只在离线分析链路里启用。5.2 排查链路一：P2头训练初期loss纹丝不动加P2头后的前二十个epoch，loss几乎不动，偶尔还有nan。我先怀疑学习率，调低后无果；又怀疑梯度爆炸，加梯度裁剪仍然无效；最后逐项检查loss分量，发现框的置信度损失居高不下。排查到最后，根因是P2头的随机初始化分支在早期输出分布太极端，加上正样本稀少，置信度直接退化到0。解决办法是前5个epoch先冻结P2头分支，让backbone和P3-P5头把基础特征学好，再放开P2头参与训练。放开之后loss立刻顺利下降，这个经验后来在几个相似项目里都复现有效。5.3 排查链路二：切图推理后，边界处的目标被反复漏检切图跑通之后，位于Patch边缘的目标经常漏检，要么输出框被裁成半框。一开始我怀疑是重叠不够，把重叠从0加到64像素，漏检减少了但没根治。后来逐帧比对发现，合并逻辑只保留了最高置信度框，一旦边缘框置信度略高，就错误地覆盖了内部完整框。最终方案是：合并时对跨Patch边界的框做降权校验，同时按框中心点距离做位置融合，而不是简单取最大值。这个改动之后，边缘漏检基本消失。5.4 排查链路三：背景纹理区域的误检怎么都压不下去有一版模型在路面标线、树冠边缘这些纹理丰富区域的误检非常严重，置信度还很高。我查了标注，发现这些纹理区域在训练集中被大量漏标为背景，模型学到的是“这里的纹理和车标过去的纹理相似度很高”。这个问题的根治手段是数据层面，不是调阈值。我手工补标了500张难例图重新训练，误检显著下降；上线阈值也适当上调了0.1做保守处理。有时候模型反馈回来的问题其实是数据问题，别一味靠炼丹去兜底。最后如果让我总结这段经历，极小目标检测的收益基本不是来自某一个酷炫模块，而是来自高分辨率特征图、合理的匹配策略、数据增强和后处理这条流水线每一环都不掉链子。YOLOv12的注意力升级恰好把这条流水线的上限抬高了一些。对刚接触这个方向的朋友，我的建议是按顺序做三件事：第一，先给训练数据做小目标标注质检，别急着改网络；第二，直接给模型加P2头，这是性价比最高的结构改动；第三，如果离线任务对延迟不敏感，切图推理能带来很直接的召回提升。等这些做完，再去调分配器、改融合模块，你会发现很多“模型能力不足”的问题，其实在前面几步就已经解决了一半。