1. 课程导入

低空航拍小目标检测与跟踪，是指利用无人机、低空飞行器等平台搭载可见光或红外相机，在几十米到数百米的飞行高度上采集视频或图像序列，并通过计算机视觉算法自动发现、定位、识别并持续跟踪画面中像素占比极小的目标（如行人、车辆、船只、牲畜、漂浮物等）。与常规地面监控或卫星遥感不同，低空航拍兼具"高机动、大视角、强透视、快运动"的特点，目标往往只有十几到几十个像素，且随平台抖动、光照变化、遮挡和背景杂波不断改变外观。因此，这一方向既是目标检测与多目标跟踪技术的交叉延伸，也是低空智能感知系统落地的关键能力。

1.1 核心原理：从像素到轨迹的两级链路

整个系统的本质是一条"图像→检测→关联→轨迹"的信号链。相机把三维场景投影为二维像素阵列，检测器在每一帧上输出候选框与类别置信度；跟踪器再通过外观特征、运动预测和位置匹配，把跨帧的检测框关联为同一目标的轨迹。小目标带来的核心困难在于：可用像素太少，卷积网络下采样后特征几乎消失，同时低空平台的运动使帧间位移远大于地面固定相机，简单的交并比匹配极易失败。

因此，现代方案通常采用"高分辨率输入 + 特征金字塔 + 注意力增强"提升小目标召回，用"卡尔曼滤波/ByteTrack/OC-SORT"等策略维持轨迹连续，并借助"检测引导跟踪、跟踪补偿检测"的双向机制抑制漏检与误检。理解这条链路，是后续学习网络结构、损失函数、数据增强和评测指标的基础。

1.2 学习目标：从会用到会调、会评、会部署

本课程不是单纯罗列算法，而是围绕"能落地"组织能力目标。学完后，你应当能够独立完成以下任务：

• 概念层：准确区分检测、跟踪、识别、定位的边界，理解小目标的像素定义与评测口径。
• 数据层：构建低空航拍数据集，完成标注规范设计、切片增强、类别平衡与难例挖掘。
• 模型层：掌握 YOLO 系列、DETR 类、特征金字塔与注意力模块在小目标上的改造方法。
• 跟踪层：实现 SORT/ByteTrack/OC-SORT 等跟踪器，理解匹配代价、轨迹生命周期与 ID 切换。
• 工程层：完成模型压缩、TensorRT/ONNX 导出、边缘设备推理与视频流实时处理。
• 评测层：使用 mAP、Recall、MOTA、IDF1、FPS 等指标定位问题并迭代优化。

1.3 核心挑战：小目标为什么难

小目标检测与跟踪的困难可以归纳为"小、动、遮、变、杂、快"六个字。像素少导致特征弱，平台运动导致帧间位移大，遮挡导致轨迹断裂，光照与季节变化导致外观漂移，背景杂波导致误检，实时性要求又限制了模型规模。下表给出典型挑战与应对方向，便于建立问题—方法的映射意识。

1.4 整体课程框架与实战项目概览

课程共 30 章，按"基础—数据—检测—跟踪—部署—实战"六段式推进。前段建立概念与工具链，中段深入检测与跟踪算法，后段聚焦工程落地与完整项目。每章都配有可运行代码或配置片段，建议边学边跑。

课程主线：
01 课程导入
02 低空航拍数据特点与采集
03 数据集构建与标注规范
04 小目标检测基础与评测指标
05 YOLO 系列检测器
06 DETR 与 Transformer 检测
07 特征金字塔与多尺度融合
08 注意力机制与小目标增强
09 数据增强与切片推理
10 损失函数与正负样本分配
11 检测模型训练与调参
12 模型压缩与量化
13 多目标跟踪基础
14 SORT 与卡尔曼滤波
15 DeepSORT 与外观特征
16 ByteTrack 与低分检测框利用
17 OC-SORT 与观测中心轨迹
18 跟踪中的 ID 切换与轨迹管理
19 检测与跟踪联合优化
20 单目标跟踪与孪生网络
21 红外与可见光融合感知
22 边缘设备部署与 TensorRT
23 视频流实时处理架构
24 评测、可视化与误差分析
25 复杂场景鲁棒性提升
26 实战一：行人小目标检测
27 实战二：车辆跟踪与计数
28 实战三：船只与漂浮物监测
29 实战四：端到端低空感知系统
30 课程复盘与进阶路线

1.5 常见误区与学习建议

初学者最容易陷入三个误区：一是把地面通用检测模型直接搬到航拍场景，忽略小目标与视角差异；二是只追求 mAP 而忽视跟踪指标与实时性；三是跳过数据质量直接调模型，导致上限被标注错误锁死。建议按"先跑通、再调优、后部署"的节奏推进，每完成一个模块就用可视化结果验证，避免盲目堆叠技巧。