隐式神经表示编码的YOLOv10连续尺度检测：让目标检测告别“缩放焦虑”

目录

一、为什么要搞连续尺度？先看看YOLOv10的“硬伤”

二、核心原理：INR编码器 + 连续尺度特征重采样

2.1 隐式神经表示的数学形式

2.2 如何实现“连续尺度检测”？

三、YOLOv10中集成INR模块的具体实现

3.1 INR模块的核心类

3.2 尺度预测头（轻量级）

3.3 修改YOLOv10的Backbone和检测头

3.4 完整的模型组装脚本

四、训练策略和损失函数改动

4.1 渐进式训练

4.2 损失函数改动

4.3 训练超参推荐

五、参考数据集和实验结果

5.1 推荐的数据集

5.2 消融实验

5.3 可视化对比

六、代码完整运行指南

6.1 文件结构

6.2 训练命令

6.3 训练脚本核心 (train.py)

6.4 推理脚本 (detect.py)

6.5 模型转ONNX/TensorRT

6.6 常见问题和解决方案

先跟大家说个真实经历。上个月我在做一个智慧工地的项目，需要同时检测高空俯拍的塔吊（小目标）和地面进出的人员车辆（大目标）。用标准YOLOv10训练完，检测塔吊时Recall只有0.3出头，我把输入分辨率从640x640调到1280x1280，塔吊是好了一些，结果人员检测的FPS直接从90掉到了40。后来我又试了多尺度训练，推理时搞了个图像金字塔，好家伙，一张图跑3个尺度，实时性直接报废。

这种“调大分辨率大目标效果下降、调小分辨率小目标找不到”的痛苦，我相信做检测的兄弟们都懂。

后来我在CVPR2024的一篇论文里看到了隐式神经表示（Implicit Neural Representation, INR）的思路，突然意识到——能不能把坐标连续化的思想引入YOLOv10的特征提取过程？断断续续折腾了两个月，终于搞出了一个“隐式神经表示编码的YOLOv10连续尺度检测”方案。

核心思想一句话总结：用INR模块让网络学会在任意连续坐标上采样特征，这样推理时你可以根据当前图像的尺度分布“动态”调整特征图的等效分辨率，而不需要重新训练多个模型或者搞图像金字塔。

目前我在VisDrone（无人机视角，尺度变化极大）和COCO上做了测试，mAP比原生YOLOv10提升约4.2个点，特别是小目标（<32x32）的AP提升了近9个点，而推理速度只增加了不到15%。代码我已经整理好放在文末，数据集和相关配置也会详细说明。

好了，不废话，下面就是完整的改进方案。