【YOLO目标检测全栈实战专栏】08 多尺度特征融合：YOLO如何“一眼看尽”大小目标

开篇故事

上个月，我在给一家安防公司做技术咨询。他们的场景很典型：用YOLOv8检测停车场里的车辆和行人。小目标——远处的行人、车尾的自行车——几乎全漏检。项目经理急得直跺脚：“我们已经在1080P图上跑了，模型参数也调大了，怎么远处的人还是看不见？”

我让他把一张误检的图片打印出来，指着图片角落一个只有20×40像素的行人说：“你猜模型在这个位置用了多少特征信息？”他摇头。我画了个图：输入640×640，经过5次下采样后，这个行人对应的特征图区域只有1×2个像素。模型几乎是在“盲猜”。

这就是我今天要带你解决的问题：YOLO如何通过多尺度特征融合，让大目标和小目标“各得其所”。

痛点拆解

常见错误：只用顶层特征图做预测

很多新手实现YOLO时，会犯一个“直觉性错误”：既然深层特征图语义信息丰富，那就只用它来预测。他们写出这样的伪代码：

defnaive_yolo_predict(image):# 错误做法：只用