1. 小目标检测概述

做目标检测这些年，我遇到过不少让人头疼的场景。比如无人机拍到的行人、卫星图里的小汽车、工厂质检面板上的微小划痕。这些目标在整张图里就占那么一丁点像素，人眼都得凑近了看，更别说让模型去认了。

说白了，小目标检测就是要在图像里找到那些「小得可怜」的物体。但问题来了——多小才算「小」？

1.1 小目标的定义

学术界和工业界对小目标有几种常见的定义方式。我个人习惯用下面这张表来跟团队对齐口径：

定义标准	具体指标	典型场景
相对尺寸	目标面积占原图比例 < 0.1%	遥感图像、航拍
像素	目标尺寸 < 32×32 像素	COCO 数据集定义
特征尺度	目标在特征图上的响应 < 1 个网格	YOLO 系列检测
工程经验	目标 < 原图宽高的 5%	工业质检、安防

嗯，这里要注意——不同任务对「小」的容忍度差别很大。我在做智慧交通项目时，32×32 像素的行人已经算「大」了，但在医学影像里，一个细胞可能只有 8×8 像素。

1.2 小目标检测的难点与挑战

你想想看，一个 16×16 像素的目标，经过 YOLO 的几次下采样后，在特征图上就剩 1×1 甚至更小了。这能提取到什么特征？说白了，就是信息量不够。

我总结了四个核心难点，每个都是我在实际项目中踩过的坑：

1. 特征信息严重不足——小目标本身像素少，经过卷积和池化后，有效特征几乎被稀释殆尽。我曾经在无人机巡检项目里试过原版 YOLOv5，小目标召回率不到 20%。
2. 锚框匹配困难——YOLO 的锚框是基于数据集聚类得到的。小目标的锚框尺寸小，跟背景噪声的尺度接近，导致正负样本失衡。我记得有一次调参，锚框怎么调都调不好，最后发现是数据里小目标标注框的宽高比太极端。
3. 定位精度差——小目标的边界框偏移几个像素，IoU 就掉得厉害。YOLO 的回归头对微小偏移不够敏感，这是结构上的硬伤。
4. 背景干扰严重——小目标往往淹没在复杂的背景纹理中。比如森林里的无人机、人群中的小物件，模型很容易把背景纹理误判为目标。

1.3 YOLO 系列在小目标上的瓶颈

YOLO 系列从 v1 到 v8，大目标检测已经做得相当好了。但小目标检测一直是它的软肋。为什么会这样？我画了一张图来说明：

具体来说，YOLO 的瓶颈主要体现在以下几个方面：

1.3.1 下采样导致的信息丢失

YOLOv5 的 backbone 最大下采样倍数是 32 倍。一个 32×32 的小目标，经过 5 次下采样后，在特征图上只剩 1×1 像素。你想想看，一个像素点能提供什么信息？说白了，就是几乎丢失了全部空间结构信息。

1.3.2 锚框设计不合理

YOLO 的锚框是通过 K-means 聚类得到的。但聚类结果严重依赖训练数据。如果数据里小目标占比少，聚类出来的锚框就会偏向中大目标。我曾经在一个人脸检测项目里，数据里 80% 的人脸都小于 20×20 像素，但聚类出来的锚框最小是 30×30——这显然不合理。

1.3.3 感受野与目标尺度不匹配

YOLO 的深层特征图感受野很大，适合检测大目标。但小目标需要的是小感受野，否则会引入大量背景噪声。这个问题在 FPN 出现后有所缓解，但依然存在——FPN 的顶层特征图感受野还是偏大。

1.3.4 NMS 对小框不友好

标准 NMS 算法在计算 IoU 时，小框之间的 IoU 对像素偏移非常敏感。两个相邻的小目标，只要框稍微偏移一点，IoU 就可能从 0.7 掉到 0.3。这导致 NMS 要么误杀，要么漏检。我遇到过最极端的情况——NMS 把同一目标的多个小框全杀了，一个都没留下。