小目标检测实战：YOLO26 的四板斧与避坑清单
航拍里的车、巡检图像里的裂纹、PCB 上的焊点、遥感里的船只------小目标漏检是工业落地最常见也最头疼的问题。
换更大的模型往往没用，因为根因不在模型容量，而在下采样把目标"采没了" 、以及训练时小目标被大目标抢走了标签。
系列导航 ：本篇专攻小目标。数据与评估的基础流程见《YOLO26 实战全流程》；训练侧的增强参数见《训练配方全解密》。
一、先搞懂小目标为什么难
一个 32×32 的目标，在网络里会经历：
| 特征层 | 下采样倍率 | 目标还剩多大 |
|---|---|---|
| 原图 | 1× | 32×32 |
| P2 | 1/4 | 8×8 |
| P3 | 1/8 | 4×4 |
| P4 | 1/16 | 2×2 |
| P5 | 1/32 | 约 1×1 |
到了 P5，这个目标基本已经"消失"了。 而默认 YOLO 的检测头就挂在 P3/P4/P5 上。
第二个问题在训练阶段：标签分配时，大目标会占据绝大多数正样本位置，小目标分到的正样本极少，梯度信号被淹没------模型"没学会"去关注它们。
所以解法只有两个方向：
- 别让它被下采样掉 → 提高分辨率 / 用更浅的特征层（P2）
- 别让它在训练时被忽略 → 专门的标签分配策略（YOLO26 的 STAL）
二、四板斧
先说清楚：多大的目标算"小目标"
业界有个被广泛沿用的界定：COCO 把面积小于 32×32 像素的目标称为小目标（32~96 为中目标，96 以上为大目标）。
这个标准之所以好用，是因为它同时对应着网络的下采样层级------输入 640 时，P3 特征图是 80×80（stride 8）、P4 是 40×40（stride 16）、P5 只有 20×20（stride 32）。一个 32 像素的目标传到 P5 就只剩 1×1，几乎等于消失了。
所以直接在自己的数据上量一下就行：统计标注框的平均边长。如果普遍小于 32 像素，下面四板斧就都用得上。
第一斧：提高输入分辨率（先试这个，零成本）
python
from ultralytics import YOLO
model = YOLO("yolo26s.pt")
model.train(data="visdrone.yaml", imgsz=1280, epochs=150, batch=16)为什么它排第一：改一个数字、不用改代码、不用重标数据，通常就能拿到肉眼可见的提升。
代价 ：显存与耗时约 4 倍（分辨率翻倍，像素数 ×4）。显存不够时：
- 调小
batch - 用
batch=-1让 Ultralytics 自动探测最大可用 batch - 或开
amp=True（默认已开混合精度）
经验：小目标占比超过一半时，imgsz 从 640 提到 1280 的收益，经常大于把模型从 s 换到 m。
第二斧：用 P2 检测头（保留浅层细节）
P2 是 1/4 下采样层，空间细节最丰富。
python
# 注意：P2 只有架构(yaml)，没有预训练权重，需要自己训练
model = YOLO("yolo26s-p2.yaml")
model.train(data="visdrone.yaml", imgsz=960, epochs=200)| 变体 | 加了什么 | 适用 | 注意 |
|---|---|---|---|
| P2 | 1/4 尺度分支 | 小目标、密集目标 | 计算量更大、更慢 |
| P6 | 1/64 尺度分支 | 大输入分辨率 | 显存更高 |
官方明确说明：yolo26*-p2.yaml 和 -p6.yaml 只提供架构定义，不发布对应权重的 .pt，必须自己训练或做迁移。
第三斧：用带 STAL 的 YOLO26（官方已内置）
STAL（Small-Target-Aware Label Assignment，小目标感知标签分配） 是 YOLO26 官方训练方案的一部分。
人话版 ：训练时网络要给每个预测位置分配"该去学哪个目标"（这一步叫标签分配）。大目标面积大、占的预测位置多，小目标占的位置少，很容易被大目标把学习名额抢光 ，结果就是模型根本没学会关注小目标。STAL 做的事就是给小目标预留名额，保证它们也有足够的学习信号。
你不需要额外配置------用 YOLO26 系列权重训练时默认就在用：
python
model = YOLO("yolo26s.pt") # 已带 STAL
model.train(data="drone.yaml", imgsz=1280, epochs=150)这也正是 YOLO26 相对 YOLO11 在航拍 / 无人机 / 密集小目标场景上最直接的优势来源。
第四斧：切片推理（大图兜底）
把大图切成有重叠的小块，每块单独推理，最后合并结果：
python
import numpy as np
import cv2
from ultralytics import YOLO
model = YOLO("best.pt")
def tiled_predict(img_path, tile=640, overlap=0.2, conf=0.25):
img = cv2.imread(img_path)
H, W = img.shape[:2]
step = int(tile * (1 - overlap))
boxes_all = []
for y in range(0, H, step):
for x in range(0, W, step):
y2, x2 = min(y + tile, H), min(x + tile, W)
y1, x1 = max(0, y2 - tile), max(0, x2 - tile) # 贴边时回退
tile_img = img[y1:y2, x1:x2]
res = model.predict(tile_img, conf=conf, imgsz=tile, verbose=False)[0]
for b in res.boxes:
x1g, y1g, x2g, y2g = b.xyxy[0].tolist()
boxes_all.append([x1g + x1, y1g + y1, x2g + x2, y2g + y2,
float(b.conf), int(b.cls)])
# 跨块重复的框用 NMS 合并
if not boxes_all:
return []
arr = np.array(boxes_all)
idx = cv2.dnn.NMSBoxes(
arr[:, :4].tolist(), arr[:, 4].tolist(), conf, 0.5)
return arr[idx.flatten()] if len(idx) else []
dets = tiled_predict("aerial_4000x3000.jpg", tile=640, overlap=0.2)
print(f"共检出 {len(dets)} 个目标")关键参数（这组是 SAHI 官方示例的常用取值）：
- 切片尺寸 ：640×640，接近训练时的
imgsz - 重叠比例：0.2（即 20%），防止目标被切在边界上
- 合并 NMS 的 IoU：0.5 左右
如果你不想自己写，SAHI 库已经把这套流程封装好了，YOLO 系列集成得很顺：
python
from sahi import AutoDetectionModel
from sahi.predict import get_sliced_prediction
detection_model = AutoDetectionModel.from_pretrained(
model_type='yolov8', # 按你的版本选，YOLO26 用对应的类型名
model_path='best.pt',
confidence_threshold=0.3,
)
result = get_sliced_prediction(
"aerial.jpg",
detection_model,
slice_height=640,
slice_width=640,
overlap_height_ratio=0.2,
overlap_width_ratio=0.2,
)代价 ：推理次数从 1 变 N，耗时成倍增加 。所以它是兜底方案，别一上来就用。
有一条经验值得单独说：很多人第一反应是"加个 P2 检测头"。但 P2 特征图是 160×160，面积是 P3 的 4 倍 ，计算量和显存都会明显上升，边缘设备上往往直接不可用。改模型的代价通常比想象的大------先用切片推理兜底，确认收益值得再考虑动结构。
三、训练侧的四个补充技巧
3.1 增强要"保护"小目标
python
model.train(data="drone.yaml", imgsz=1280,
mosaic=1.0, # mosaic 会缩小目标，小目标多时谨慎
mixup=0.1, # 别开太大，会模糊小目标
copy_paste=0.3, # 复制粘贴能增加小目标样本
scale=0.5) # 尺度抖动范围反直觉提示：
mosaic会把 4 张图拼起来再缩放，等效让目标变得更小 。小目标极多时可以适当降低 mosaic 概率（0.5~0.7）或增大scale，让目标在训练时保持较大尺寸。
以方向、颜色为判别特征的任务 （焊接缺陷、划痕、织物瑕疵这类），增强要克制。理由很直接：缺陷的方向和颜色本身就是判别特征，被增强改掉了，模型就学不到东西。所以这类任务通常把会破坏这些特征的增强关掉或调小：
python
model.train(data="data.yaml", imgsz=1280,
hsv_h=0.0, # 色调不动：工业图像颜色稳定
hsv_s=0.2, # 饱和度轻微
hsv_v=0.3, # 亮度可以模拟光照变化
degrees=5.0, # 小角度：板子方向基本固定
shear=0.0, # 关掉错切：缺陷形状不能扭曲
flipud=0.0, # 不上下翻：有方向性
fliplr=0.5, # 左右翻可以：通常对称
mosaic=0.0, # 关掉：小目标缺陷会被拼接破坏
mixup=0.0) # 关掉：同上他还给了一个方法值得照抄：先关掉所有增强训一个 baseline，再逐个打开看验证集变化。这比一上来就照搬 COCO 那套参数靠谱------COCO 的增强强度是为自然图像的通用性设计的，工业场景往往要反过来调。
3.2 类别均衡要看"目标数"而不是"图片数"
小目标类别常常是图片多但目标小 ------统计时看每类的实例数量，别只看图片数。
3.3 验证集必须包含最远/最小的样本
如果你的验证集都是"大又清晰"的目标，指标会虚高，上线必崩。
3.4 后处理阈值要单独调
小目标的置信度普遍偏低。用默认 0.25 可能全被滤掉：
python
# 对小目标类别单独降低阈值
results = model.predict("img.jpg", conf=0.15, iou=0.6)更稳妥的做法是按类别设定阈值 ：先用 model.val() 找出每类的最佳 conf，再在业务代码里分阈值过滤。
四、选型速查
| 场景 | 推荐组合 |
|---|---|
| 航拍 / 无人机（几百米高空） | YOLO26s + imgsz=1280 + 切片（overlap 0.2） |
| 工业缺陷（焊点/划痕） | YOLO26m + imgsz=1280 + P2 头 |
| PCB / 密集元件 | YOLO26m/l + P2 + copy_paste 增强 |
| 遥感船只 / 车辆 | YOLO26-obb（旋转框）+ 高分辨率 |
| 医学小病灶 | YOLO26l/x + 高分辨率 + 切片，阈值单独调 |
| 实时性要求高 | YOLO26n/s + imgsz=960（放弃切片） |
五、避坑清单
- 别一上来就换大模型 ------ 小目标漏检的主因是下采样和标签分配，不是模型容量。
- 别一上来就切片 ------ 先试
imgsz=1280，很多时候就够了，切片会让耗时翻倍。 - P2 没有预训练权重 ------ 用
-p2.yaml意味着从头训练，数据量要够。 - mosaic 会缩小目标 ------ 小目标场景要重新评估它的强度。
- 验证集别只放"好图" ------ 必须包含最小、最模糊、最遮挡的样本。
- 阈值别用默认 ------ 小目标置信度天然偏低，0.25 可能滤掉一半。
- 切片后一定要 NMS 合并 ------ 否则边界处的目标会重复计数。
- 切片尺寸要接近训练 imgsz ------ 差太远会因尺度失配反而掉点。
六、小结
按性价比排序依次尝试：
text
① imgsz 640 → 1280 （零成本，先做）
② 用 YOLO26（自带 STAL） （换模型的最小代价）
③ P2 检测头 （小目标占比极高时）
④ 切片推理 （超大图兜底，最后考虑）核心认知 ：小目标检测不是"换个更强的模型"就能解决的工程问题，而是分辨率、特征层、标签分配、后处理阈值四个环节的系统性配合。
参考来源
- Ultralytics 官方文档（YOLO26 模型页、P2/P6 架构说明、STAL 训练方案）
- SAHI 官方示例（切片推理接口与参数取值）
- COCO 数据集目标尺寸分级定义（小 / 中 / 大目标）
关键词 ：小目标检测 YOLO26 STAL P2检测头 切片推理 SAHI 航拍 无人机 工业缺陷
环境：ultralytics 8.4+ / opencv-python / PyTorch 2.x