【RT-DETR实战】094、无人机视角（UAV）目标检测改进实战：当RT-DETR遇上高空小目标

一、问题现场：为什么模型在无人机数据上“失明”了？

上周在客户现场调试，对方工程师指着屏幕上一片农田的航拍画面问我：“你们的检测模型在COCO上mAP有52%，怎么在我这无人机拍的田埂上，连个人影都框不出来？”

我凑近一看，画面里确实有几个农民在劳作，但在模型输出里，他们就像隐身了一样。把预测框置信度阈值从0.25降到0.01，终于出现了几个颤巍巍的框，但位置飘得离谱。

这不是偶然现象——我们拿到的测试集里，300米高空拍摄的车辆、行人、牲畜，模型漏检率超过40%。

问题很典型：RT-DETR在标准数据集上训练时，目标尺度分布相对集中，而无人机视角下，目标像素面积可能只有十几甚至几个像素，加上拍摄角度倾斜、背景纹理复杂，模型那套基于CNN特征金字塔+Transformer的架构，在特征提取阶段就已经“丢细节”了。

二、改进方向：不是简单调参，而是重构特征流

直接调高输入分辨率？试过，从640×640提到960×960，推理速度从28ms跳到65ms，边缘设备扛不住。

更关键的是，单纯上采样对小目标特征提升有限——底层CNN的stride=32的那层特征图上，4×4像素的目标早就被压缩成一个点了。

得动结构。我们的改进主线是：在保持RT-DETR实时性的前提下，增强浅层特征利用，并让Transformer头能更好地关注微小目标。

2.1 浅层特征注入：别让细节在第一层就消失

原版RT-DETR用C3-C4-C5三层特征图送入Transformer