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

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