076、YOLOv11改进-基于SAHI切片辅助推理的即插即用小目标检测优化——提升无人机航拍与遥感场景小目标mAP@0.5:0.95达4.2%
076、YOLOv11改进-基于SAHI切片辅助推理的即插即用小目标检测优化——提升无人机航拍与遥感场景小目标mAP@0.5:0.95达4.2%
一、一个让我头疼了三个月的调试问题
去年接了个无人机航拍检测项目，场景是城市低空视角下的车辆检测。训练集里小目标占比超过60%，YOLOv11 baseline跑下来，mAP@0.5:0.95只有可怜的31.7%。最离谱的是，那些只有十几个像素的车辆，模型直接当背景处理了。我试过加小目标检测头、改anchor分配策略、调loss权重，折腾了三个月，mAP@0.5:0.95勉强爬到34%出头，离项目要求的40%还差一大截。
那段时间我几乎把YOLOv11的neck和head翻了个底朝天，甚至怀疑是不是backbone的stride太大导致小目标特征丢失。直到有一天，我偶然翻到一篇遥感检测的论文，里面提到了SAHI（Slicing Aided Hyper Inference）——一个看起来简单到离谱的思路：把大图切成小块，分别推理，再合并结果。我当时的第一反应是“这不就是暴力枚举吗”，但实测结果让我直接闭嘴了。
二、SAHI到底在解决什么问题
YOLOv11的输入尺寸通常是640x640，对于无人机航拍这种4096x2160的大图，小目标在原始分辨率下可能只有20x20像素。下采样到640x640后，这些目标直接缩到3x3像素，特征图上的响应几乎为零。SAHI的核心逻辑就是：既然模型在小图上检测小目标不行，那就别让目标变小。
具体做法是：推理时把原始大图切成若干有重叠的切片（比如