1. 小目标检测的病根为什么YOLO26对大目标很准一到小目标就失手做目标检测这些年我最怕听到的一句话不是漏检了而是就一个十几像素的小点你怎么找不到。小目标检测就是这么折磨人YOLO26这么大的模型跑COCO风格的大目标测试集漂亮得很可一旦换成红外小目标、监控远距离行人、无人机俯拍地面物体模型就像突然瞎了一样。这篇文不打算复述官方文档而是把我拿YOLO26从小目标检测实战里趟出来的四板斧和踩坑经验完整写下来给正在用小目标检测、准备改进YOLO26、以及被环境配置和部署折磨的朋友做个参考。1.1 COCO的32像素标准和你业务里的隐形小目标是两码事很多人一上来就查COCO关于小目标的定义小于32x32像素的目标算小目标也有人用目标面积占原图比例小于1%来算。这个标准在自然图像数据集里够用但它跟实际业务里的小目标压根不是一回事。红外小目标检测里目标往往只有几个像素到十几个像素在640x640输入下可能就是一个亮点连形状都谈不上。无人机俯拍的地面小车、工厂里远距离的安全帽、低光环境下的人影这些目标在很多情况下比COCO的小目标定义还要小一两个数量级。所以我建议你先别急着照搬COCO的阈值而是统计一下自己数据集的目标像素分布算出平均大小和最小大小再决定后面的输入分辨率、检测头设计、增广策略。这个统计只要几十行Python就能做但很多人跳过这一步直接用别人分享的配置跑结果自然不理想。1.2 下采样、感受野与特征金字塔小目标特征是如何被稀释的YOLO26作为YOLO系列的最新延续整体思路仍然是骨干网络提取特征颈部融合多尺度检测头输出这类结构对大目标非常友好因为大目标在深层特征图里仍然保留着完整的语义信息。可小目标在经过多次下采样后可能只剩下一两个像素的特征响应跟背景噪声混在一起骨干网络根本分不清这到底是目标还是噪点。问题不只是分辨率还有感受野。深层特征图感受野太大一个小目标的信息被上下文包围容易产生所谓特征稀释。这也是为什么单独在深层特征图上做小目标检测总是不见效果。YOLO26的检测头虽然覆盖多个尺度但如果你只靠默认的P3/P4/P5层级小目标仍然会大量漏检。解决思路是往浅层特征图上加检测头接到分辨率更高、下采样倍数更低的特征层去人为把小目标对应的特征分辨率拉高。这个思路在外面很多YOLO26改进方案里已经是标配了。1.3 结构图先别急着抄改先分清实例分割和语义分割的适用场景YOLO26这套框架里检测和分割任务是放在一起的但很多人对实例分割和语义分割的边界是模糊的。简单说语义分割是把图像里每个像素分类比如这个像素是人、那个像素是天空它不区分同类别里的不同个体实例分割则要解决这里有三个人每个人各占哪一片像素的问题所以实例分割天然比语义分割更精细也更容易被小目标坑到。在小目标检测场景里这两者的用途完全不同。如果你做的是红外小目标检测目标本身太小标注实例mask的成本非常高通常用框或者点标注就够了这时候硬上实例分割收益不大。反过来如果你要检测的目标形状极不规则框标注会带来大量背景噪声那语义分割分支反而能帮你约束目标的空间范围。搞清楚自己要什么再去改YOLO26的结构图否则就是瞎忙活。2. 第一板斧把数据从看得到变成看得清小目标检测的第一步永远不是改模型而是看数据。我在很多项目里发现模型漏检小目标一半原因不是模型不行而是训练数据里的小目标数量本身就少得可怜。一个数据集如果大多数目标都占图像面积的10%以上那么训练出来的模型对细碎目标的响应就是先天不足。想解决这个问题得从数据分布、切图策略和增广方式三方面同时下手。2.1 红外小目标数据集的特点噪声多、纹理少、目标可能只有几个像素红外小目标检测数据集的难度比自然图像高一个量级。拿常见的红外弱小目标数据集来说图像通常是单通道灰度图目标尺寸可能只有3x3到9x9像素目标与背景的对比度极低周围还布满各种传感器噪声和云层边缘的杂波。这就带来两个直接影响一是数据增强手段不能照搬自然图像什么高斯模糊、随机裁切、大幅度旋转在小目标上一弄就真的把目标弄没了二是模型训练很容易陷入把噪声当目标的假阳性里。我建议在预处理阶段先做目标信噪比统计把那些目标几乎淹没在背景里的样本单独分出来作为困难样本专门处理而不是跟普通样本混在一起训练。如果手上暂时没有红外小目标数据集也可以先用公开数据集跑通流程再用自己业务场景的数据微调。关键是要保证数据集里的正样本足够多小目标样本占比要明显高于自然图像数据集里的默认比例否则无论怎么调模型都白搭。2.2 切图策略大图切片训练如何让小目标变成大目标小目标检测有一招非常朴素但极其有效既然目标太小那就把图像放大看。实际操作上不是直接把整张图resize到很大而是用滑窗切片的方式把高分辨率原图切成若干有重叠的子图每个子图分别送入模型训练或推理。这样原本10x10像素的小目标在640x640的子图里就可能变成80x80像素的中目标模型识别难度直线下降。切片训练有两个细节必须注意。第一是切片之间的重叠率推荐至少20%到30%否则目标正好落在切片边缘时会被截断成半个目标导致标注框不完整。第二是切完片之后要做一次过滤那些只有极小部分目标露出来的切片可以直接丢弃避免给训练数据引入大量残缺目标。推理阶段也建议用同样的切片逻辑最后把所有子图的检测结果映射回原图坐标再做NMS合并。切片能让小目标检测效果提升非常明显有些项目甚至只靠数据切图就能把召回率提升十几个点根本还没到改模型的阶段。2.3 增广的顺序和取舍马赛克、复制粘贴、小目标过采样YOLO系列默认的训练流程里马赛克增广几乎是标配。在目标检测里马赛克把四张图拼成一张既能增加图像多样性也能变相增加小目标的数量。但对小目标检测来说马赛克并不是加得越多越好。四张图拼一起后每个子图又被缩小小目标会被缩到更难以辨认的程度反而加强了模型对小目标的无视。所以训练后期我一般会把马赛克关掉或者把它降到很低的概率让模型在最后阶段去适应正常尺度的输入。比马赛克更值得推荐的是复制粘贴增广。把小目标从原图里抠出来复制到其他图像里同时生成对应的标注框这样能在不改小目标本身分辨率的前提下大幅提升小目标样本数量。YOLO26支持分割标注如果你手头的标注是分割掩膜而不是矩形框复制粘贴增广可以做得更自然不会把背景像素一起搬过去。唯一要留意的是复制粘贴的目标位置别太离谱比如把车辆贴到天上这种语义矛盾样本会让模型学到错误上下文。2.4 标注质量小目标框差一个像素mAP就差一大截小目标的标注质量对最终效果的影响远超很多人的想象。大目标框差五六个像素IoU可能还能保持在0.7以上小目标框差两三个像素IoU可能已经跌到0.3以下直接变成训练噪声。所以小目标数据集的标注规则要单独定标注框必须贴紧目标的实际边缘宁可在视觉上觉得框太紧了也不要留多余背景。遇到只有几个像素的点状目标容易误标成单像素框这种样本数量多了之后模型会倾向输出极小框对后续的分割或者测距都是灾难。我处理这种数据时会写一个脚本批量检查标注框里目标的平均像素数把所有框的面积直方图画出来一旦发现大量面积小于5像素的标注就会回头重新审核标注规则。3. 第二板斧模型端的小目标手术数据板斧解决的是喂什么的问题模型板斧解决的是怎么消化的问题。YOLO26默认结构已经很强但直接拿来做小目标检测通常还需要三处关键调整注意力模块的接入位置、低层高分辨率特征检测头的补充、以及轻量化动刀的方向。这三件事做对了小目标上的表现会明显上一个档次。3.1 注意力模块往哪里加Backbone与Neck的落点差异注意力模块现在几乎是YOLO26改进方案的标配常见的有SE、ECA、CBAM、CA还有一些更轻量的注意力变体。但注意力加了不一定会涨点关键是加在哪。我自己的经验是骨干网络越靠前的层越适合加轻量通道注意力让模型在早期就把小目标的微弱响应跟背景噪声区分开颈部网络则更适合加空间注意力让多尺度特征融合时能保留小目标的空间位置信息。如果你在P5深层特征图后面硬塞一个重量级注意力模块不仅参数量暴涨对小目标也没有丝毫帮助因为那层特征图里的小目标信息几乎已经没了。训练时可以通过特征可视化来验证注意力是否起作用把注意力热力图叠加到原图上看模型是否真的聚焦在小目标区域。如果热力图关注的是背景纹理那就说明注意力模块的位置或输入特征没选对。3.2 P2检测头快到碗里来用浅层高分辨率特征图捞回小目标YOLO26默认的检测头结构在不同版本里略有差异但思路都是多尺度输出。小目标检测最需要的是高分辨率、低语义的浅层特征所以在原有P3/P4/P5检测头的基础上增加一个P2检测头也就是从骨干网络更早期的特征层接出来一个检测分支是提升小目标召回最直接的结构修改。加P2检测头之后训练显存会上升不少因为浅层特征图的通道数和空间尺寸都更大。我试过的做法是P2分支不单独接太深的卷积而是用1x1卷积先统一通道数再把它送进颈部网络做特征融合。这样既保留了高分辨率信息又不会让参数量膨胀得太厉害。还有一个容易被忽略的细节新增P2检测头之后标签分配器的锚框尺度范围要重新设否则预设锚框尺寸偏大小目标在匹配阶段就被筛掉了结构改了也白改。3.3 轻量化改造YOLO26n起步哪些模块可以动刀很多实际项目最终要跑到边缘设备或者嵌入式平台模型轻量化不是可选项而是必选项。我一般从YOLO26n这个最小的版本起步而不是先训一个大模型再想办法压缩。因为蒸馏和剪枝的流程虽然成熟但调参成本高并且小目标本身特征弱剪枝稍有不慎就把那些微弱的响应剪没了。在做轻量化时替换标准卷积的升级方向要谨慎。深度可分离卷积确实省参数但过多使用会损失空间细节对小目标不太友好。我更推荐保留下采样的关键卷积层只在通道数较大的融合层做轻量化替换。另外注意力模块尽量选计算量低的ECA这种而不是在大模型上用得好但代价高昂的全局注意力。模型大小、精度、小目标召回率三者永远在博弈你要清楚自己的底线在哪不要为了刷FPS把仅剩的小目标响应也牺牲掉。4. 第三板斧训练策略上的细节控模型改完真正决定上限的其实是训练策略。很多人在小目标上反复调结构不涨点问题往往出在损失函数、输入分辨率、多尺度策略这些看不见的地方。这节我会把训练环节最关键的几个旋钮挨个拆开讲包括低级光环境的处理以及在训练YOLO26自己数据集时从零开始和微调的抉择。4.1 损失函数的选择CIoU在小目标上的不足以及WIoU/SIoU的适配YOLO26默认使用的CIoU损失在常规目标上表现很不错它同时考虑了重叠面积、中心点距离和宽高比。但到了小目标场景CIoU有两个明显的短板一是小目标框轻微的像素偏移会让IoU发生剧烈波动损失函数的梯度也容易不稳定二是CIoU对边界框的宽高比惩罚在极小框上不够合理模型很难通过梯度学到一个高质量的回归方向。我在小目标项目上换过SIoU和WIoU。SIoU把角度损失也考虑进去对小目标回归的帮助比较直接WIoU则通过动态非单调聚焦机制降低标注质量差或困难样本对梯度的影响在红外小目标这种噪声很多的数据集上特别实用。换损失函数不需要改模型结构只是训练脚本里的一处替换但往往会带来两三个点的mAP提升这笔账非常划算。记得换完后把回归损失的权重系数重新调一下不要直接用默认值。4.2 多尺度训练与输入分辨率不可能三角怎么平衡输入分辨率越大小目标能保留的像素细节就越多但训练显存和推理耗时也水涨船高。我见过很多人在小目标项目里一上来就把输入分辨率拉到1280甚至1536然后GPU直接OOM又回去改batch size最后训练速度慢到怀疑人生。其实更好的做法是分段式输入分辨率策略先在大分辨率下训练若干轮让模型充分学习小目标特征再慢慢降低分辨率做最后的适应。多尺度训练本质上是给模型做数据增强让它对不同尺寸的目标都有响应。但对小目标检测来说输入尺度的随机范围不要拉得太宽。如果训练时经常把完整图像缩到320像素小目标几乎就消失了模型学到的仍然是忽略小目标。我自己一般把多尺度范围控制在原始分辨率的0.7到1.5倍之间配合P2检测头使用效果比无脑拉到2倍或者0.5倍要好很多。4.3 低光环境检测不是简单把图片调亮低光环境检测是另一个高频需求YOLO26在这种场景下的表现取决于你喂给它的图像分布。很多人拿到低光数据集第一反应是做直方图均衡、伽马校正、或者用图像增强算法把暗部提亮然后拿增强后的图去训练。这种做法不能说错但有个隐患增强算法会改变目标与背景的对比度结构还可能放大噪声在低光小目标的双重debuff下模型很容易学到提亮后的伪影而不是目标本身。更合适的做法是同时训练两类输入一部分是原始低光图像一部分是轻微增强后的图像让模型自己学会对不同光照条件鲁棒。另外低光图片的标注难度大噪声区域经常被误标成目标所以在低光项目里标注数据清洗比算法调优更重要。还有一种思路是引入红外或热成像通道做多光谱输入这往往比任何图像增强算法都有效。4.4 从零训练还是微调YOLO26训练自己数据集时的决策路径每次有人问训练自己的数据集应该从头开始还是用预训练权重我的回答都是先看你的数据集跟预训练数据分布差多远。COCO预训练权重里的通用特征对自然图像很有价值如果你做的是安防摄像头、无人机航拍这类接近自然图像的数据用预训练权重微调就够了从零训练不仅更慢小目标效果反而不如微调。但如果你做的是红外小目标、医学影像、或者遥感雷达图这类跟自然图像差异极大的数据预训练权重的迁移价值会大幅缩水。这种情况下我建议从零训练YOLO26并且要用一个较小但经过精调的学习率。很多人不敢从零训练是因为训练时间太长实际上小目标数据集通常样本量不大几百到几千张图在单张GPU上从零训练YOLO26n跑几百轮也就半天到一天的事完全可控。5. 第四板斧把模型搬上真机模型在服务器上刷mAP再高最终还是要落到实际设备和真实环境中。环境配置、摄像头视频流接入、边缘平台部署、测距程序验证这一个环节不处理好前面一切算法优化都等于零。我见过太多项目死在最后一公里比如没装CUDA跑不动、模型转成RKNN后精度崩了、或者室内测距程序拿到现场完全不可用。下面把这部分操作完整捋一遍。5.1 环境配置从零排雷CUDA、PyTorch、Ultralytics版本YOLO26的环境配置主要涉及CUDA、PyTorch和Ultralytics这三个层次。先给一个结论GPU训练和推理CUDA几乎是必须的。没有CUDA你用CPU硬跑小目标检测本来就需要大分辨率输入速度会慢到让你怀疑人生。安装CUDA时最容易踩的坑是驱动版本和PyTorch版本不匹配建议先查清楚自己显卡驱动支持的CUDA版本再装对应的PyTorch顺序不要搞反否则后面各种算子编译报错全来了。给一套比较稳的路径先装NVIDIA驱动再装CUDA Toolkit然后用pip安装torch和torchvision的对应版本最后装Ultralytics。如果你只是想快速跑通也可以直接用pip安装Ultralytics它内部会带上PyTorch依赖。但模型训练时如果碰到CUDA not available或者assertion error这类报错大概率是CUDA路径问题先别急着重装去命令行输入nvidia-smi看看驱动是否正常再在Python里跑torch.cuda.is_available()判断PyTorch能不能正常访问GPU。这套检查顺序能解决八成环境问题。5.2 电脑摄像头视频流的导入一个能直接跑的帧处理模板YOLO26导入电脑摄像头视频很多人以为要写一堆底层推理逻辑实际上项目里已经有现成的API可以直接调用。只需要用OpenCV从摄像头读帧然后把这帧图像交给模型去做推理再把结果画回图像上显示就行。需要特别注意的是摄像头采集的帧要做一次BGR到RGB的通道转换因为OpenCV默认读出来是BGR顺序而模型训练时用的是RGB这步漏了会导致输出结果明显变差颜色对不上、置信度低新手经常被这种问题折磨半天。还有一个实时性的问题摄像头视频是连续的但小目标在高分辨率输入下推理速度会比较慢。如果发现卡顿可以先降低推理分辨率测试性能再用多线程让摄像头的读取和模型的推理分开执行每取到一帧新图就丢给推理线程推理线程处理完再更新显示画面不要让摄像头的读取被推理阻塞。下面是实际项目中可以直接套用的基础模板单线程版简单可控适合先跑通流程再优化速度。from ultralytics import YOLO import cv2 model YOLO(yolo26n.pt) # 换成你训练好的权重路径 cap cv2.VideoCapture(0) if not cap.isOpened(): raise RuntimeError(摄像头打开失败检查设备编号或权限) while True: ret, frame cap.read() if not ret: break rgb_frame cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) results model(rgb_frame, imgsz640, conf0.25, verboseFalse) annotated results[0].plot() cv2.imshow(yolo26 camera, annotated) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()这套模板跑通之后你再根据实际场景去调整置信度阈值、是否做切片推理、是否需要把跟踪器接进来。小目标场景里思考一下一个目标只在画面里出现一两帧是否值得用跟踪补全是提升实战体验的关键。5.3 转RKNN部署边缘设备流程和精度损失控制把YOLO26部署到瑞芯微等边缘设备上常见路线是先把PyTorch模型导出成ONNX再通过RKNN-Toolkit2转成RKNN格式。这个流程看起来简单实际执行时会有很多版本兼容问题。第一步导ONNX就要把算子的opset版本控制好太新的算子可能在RKNN工具里不被支持推理阶段报Op not support很难排查。更麻烦的是量化精度损失。RKNN部署通常要转成int8量化来获取更高的推理速度但小目标检测对量化非常敏感。我一个实际项目里FP16模型小目标AP是0.62转成int8之后直接掉到0.41漏检大量小目标。后来改用混合量化策略把最后几个检测头层保留成FP16整体精度才回到0.56左右。所以如果你要转RKNN一定不要只盯着工具链跑通要做完整的精度对比实验。先在电脑端用ONNX Runtime跑一遍ONNX模型确认导出没掉点再测RKNN仿真结果最后再上板卡实机测试。每一层都可能有精度损失你要知道饼是在哪一步丢的。5.4 室内距离测试程序别让测距毁在小目标的定位误差上很多人部署完检测模型之后都会顺手写一个室内距离测试程序用目标框的高度或者宽度去拟合目标距离。这个思路对中大型目标有一定的可行性但对小目标会带来一个严重问题目标在远距离下只占很少的像素检测框只要偏差一个像素换算出的距离误差可能在10%到30%之间。在室内距离测试程序里我更推荐用多个参考目标做联合标定而不是依赖单个目标框。比如固定放置几个已知尺寸的标定物通过标定物的框尺寸反推出当前距离与像素的映射关系然后再用这个映射去推断目标距离。还有一点很重要距离测试用的模型必须用真实部署环境下的图像做微调不要直接拿服务器上训练好的模型去测。因为室内光照、摄像头高度、镜头畸变都会影响检测框的准确度尤其是在低光环境下小目标的定位误差会进一步放大测距结果会显得极不稳定。6. 避坑清单我把常见翻车点按症状整理好了最后这部分是压箱底的经验复盘。我把自己在YOLO26小目标检测实战中反复踩过的坑整理成三组训练期、部署期、评估期。每个坑都按照症状、原因、应对来记录方便你遇到问题时直接对照排查。小目标检测本身就是一个需要经验积累的领域很多问题看着各不相同根子其实是同一处。6.1 训练期翻车Loss不降、收敛慢、mAP虚高症状一训练损失降得很平滑但验证集mAP始终原地踏步。原因多半是过拟合了训练集中的大目标小目标根本没有被模型重视。应对方式是检查类别权重和目标尺寸分布必要时给类别或尺寸加上权重。症状二mAP看着很高但画出来的检测结果图上全是小目标漏检。这就是典型的mAP虚高常见原因是验证集里大目标占比太高小目标即使全部漏检mAP也掉不下来。我建议在小目标项目里单独计算一下每个尺寸区间内的AR平均召回率把整体mAP和小目标mAP分开看才能发现真实问题。症状三训练中途loss出现剧烈震荡。原因很可能是学习率太高导致小目标上的梯度更新不稳定。解决方法不是调低全局学习率而是降低批大小或者换用warmup策略让训练前期更平稳。6.2 部署期翻车CUDA版本冲突、RKNN量化掉点、摄像头画面卡顿部署期最常见的坑是训练环境一切正常换台机器部署时直接报CUDA driver version is insufficient。这不一定是CUDA没装而是PyTorch版本和驱动版本不匹配。应对方法是在部署机器上单独建一个虚拟环境固定好torch版本和CUDA toolkit版本然后把依赖锁进requirements文件里一起分发。RKNN量化掉点的坑前面已经说过了这里补充一个排查经验掉点之后不要急着换模型结构先用仿真器逐层看中间激活值的分布找哪一层量化误差最大改动那一层的量化粒度比重新训练模型有效得多。摄像头画面卡顿的坑也要重视。很多人以为是模型太重实际上是推理线程和读取线程互相阻塞导致的。解决办法就是前面说的多线程或者把推理分辨率按实际帧率动态调整在看清小目标和保持画面流畅之间做动态缓冲。6.3 评估期翻车单张可视化误判、切片结果拼接错误、室内测试与现场不一致很多人在评估阶段只挑几张效果好的可视化图截图发出来这很容易掩盖小目标漏检的真实情况。正确做法是随机抽取测试集里的图像按置信度从低到高排序重点看那些置信度低但确实存在小目标的样本这样才能找到模型真正的软肋。另一个常见问题是切片推理后坐标映射错了小目标检测框画出来位置偏了一截。这个问题的原因多半是切片重叠区域的坐标偏移没有处理干净或者NMS时没有把不同切片的结果放进同一个坐标系里跑。每次跑完切片推理我都建议先在几张大图上做严格的可视化叠加检验确认目标框和真实目标的位置偏差在预期范围内再批量处理数据。室内距离测试跟现场实测不一致这个坑的根源往往不在算法而在标定。室内光线恒定、摄像头固定、目标类型单一条件比现场好太多模型在室内测得好不代表现场就好。如果你要让程序在不同室内环境通用至少要做一个简单的自适应标定流程让程序在启动时检测参考目标重新计算距离映射系数。做小目标检测这行不怕模型差就怕不知道问题出在哪。我在YOLO26上跑过的项目越多越觉得改进模型结构其实只占工作量的一部分数据清洗、训练策略、部署细节每一项都值得同等投入。希望这篇文能帮你少走一些弯路真到了小目标漏检漏到头大的时候回来翻翻这份清单至少能知道该从哪里开始排查。