037、小目标检测专项改进：增加小目标检测层、高分辨率特征图与超参数联动调优

037、小目标检测专项改进：增加小目标检测层、高分辨率特征图与超参数联动调优

从一次“漏检惨案”说起

去年做智慧交通项目，摄像头架在30米高的立交桥上，画面里车辆清晰可见，但路边的锥桶、地上的小石块、远处骑电动车的人——模型几乎全漏了。当时用的是YOLOv8s，默认配置，训练了200轮，mAP@0.5:0.95在COCO上能到44%，但换成我们自己的数据集，小目标（面积小于32×32像素）的AP只有可怜的6.8%。领导开会时指着屏幕说：“这模型是不是瞎了？”

我盯着那些被漏检的像素块，意识到问题不在模型结构本身，而在于特征金字塔对小目标的“不友好”。YOLOv8的Neck部分默认从P3（8倍下采样）开始检测，对于16×16像素的小目标，经过8倍下采样后只剩2×2个特征点，信息几乎被抹平。更致命的是，训练时数据增强里的随机裁剪和缩放，经常把小目标直接裁掉或缩到看不见。

增加小目标检测层：不是简单加一层就完事

很多教程教你在Neck里加一个P2层（4倍下采样），然后直接拼接输出。我试过，效果有提升但有限，而且推理速度掉了15%。问题出在：P2层特征图尺寸太大（比如输入640×640，P2是160×160），直接参与检测头计算会导致显存爆炸，同时引入大量背景噪声。

正确做法是在P2层后加一个轻量级的特征压缩模块。我用的方案是：从Backbone的Stage2（对应P2）引出特征，经过一个1×1卷积降维到128通道，再接一个3×3深度可分离卷积（Depthwise Separable Co