YOLO小目标检测优化技术与工程实践

YOLO小目标检测优化技术与工程实践小目标检测（Small Object Detection）是目标检测落地过程中最容易被低估、也最考验工程功力的环节。在通用基准数据集上，一个训练良好的 YOLO（You Only Look Once）模型往往能给出漂亮的平均精度（Average Precision，AP），但一旦换到无人机航拍、工业质检、医疗影像、遥感监测、安防监控等真实场景，画面中大量目标只有十几个甚至几个像素，模型精度便会断崖式下跌。问题并不在于 YOLO 本身不够强，而在于小目标从成像、标注、特征提取、标签分配直到后处理与部署，每一个环节都存在系统性的信息损失。本文从原理到实践，系统梳理 YOLO 系列小目标检测的优化方法。内容覆盖小目标的定义与难点、专项评价指标、多尺度特征与检测头设计、输入分辨率与切片推理、常用工具与框架、数据层面增强、标签分配与损失函数适配，并给出增加 P2 检测层的模型改造和 SAHI 切片推理两套可直接运行的实战方案，最后讨论工程落地中的精度与速度权衡。全文以 Ultralytics YOLOv8 为主要参考实现，但所述思路同样适用于 YOLOv5、YOLOv9、YOLOv10、YOLO11 等同类单阶段检测器。一、小目标检测的难点1.1 小目标的定义与像素视角在 COCO（Common Objects in Context）评测体系中，目标按照分割掩码面积的平方根被划分为小、中、大三类：面积小于 32×32 像素的目标记为小目标（Small），介于 32×32 与 96×96 之间为中目标（Medium），大于 96×96 为大目