【RT-DETR实战】032、特征金字塔网络（FPN）结构与优化：从“漏检”到“精准”的调参血泪史

上周调一个产线瑕疵检测模型，小目标死活检不出来。明明训练集里标注清晰的焊点缺陷，到了产线视频流里就跟隐身了似的。

把预测结果可视化出来一看，特征图在深层网络里已经糊成一片——典型的尺度崩塌问题。今天咱们就深挖这个救了我项目的技术：特征金字塔网络（FPN）。

问题根源：单尺度特征图的局限性

YOLO系列用骨干网络最后层的特征图做预测，大目标没问题，小目标特征在多次下采样后基本消失。

早期解决方案是多尺度训练和测试，但计算成本吓人。

FPN的核心思想很直观：既然深层有强语义特征，浅层有高分辨率细节，为什么不把它们融合起来？

FPN原版结构：自顶向下的特征融合

FPN不是简单把不同层特征图拼接就完事。它走的是“自顶向下+横向连接”的路子：

# 简化版FPN实现关键步骤classFPN(nn.Module):