简介本资源面向计算机视觉研究者与深度学习开发者聚焦航拍图像场景下的小目标检测难题提供一套基于改进YOLOv8的完整算法实现与实战项目。针对小目标尺寸小、分辨率低、背景噪声干扰强等痛点项目对网络结构、损失函数与锚框策略进行优化增强细粒度特征提取与上下文信息利用可应用于安防监控、遥感分析、无人机巡检等场景。压缩包共87个文件约1.97MB以38个Python源码文件为核心辅以26个pyc编译文件、18个yaml配置、2张jpg与2张png检测效果图及1份md说明文档涵盖模型定义、损失与指标计算、数据配置及可视化模块目录结构清晰便于复现。已有138人学习下载。读者可获取完整项目源码、训练配置与检测效果展示快速复现改进算法理解小目标检测的调优思路与工程落地方法。1. 航拍小目标检测为什么总漏检一份改进 YOLOv8 实战包能解决什么如果你跑过航拍图像的目标检测大概率遇到过这种场景一张 4000×3000 的无人机正射图里车辆、行人、船只只占几十个像素用标准 YOLOv8 训完一看mAP 卡在 0.3 上下小目标几乎全被漏掉。这不是你标注的问题也不是训练轮数不够而是通用检测器在 8 倍下采样后小目标的特征早就被卷积和池化吃干净了。这份「小目标检测-基于航拍图像改进 YOLOv8 实现的小目标检测算法」项目包针对的就是这个痛点它把检测头、特征融合和注意力模块做了面向小目标的改造配套完整源码和检测效果展示适合正在做航拍巡检、遥感解译、毕设课题的从业者和学生直接复现。下面我按「拿到包怎么跑通 → 改进点在哪 → 参数怎么调 → 坑怎么躲」的顺序拆一遍新手能照着走熟手能直接看边界。2. 环境搭建与数据准备从零把改进 YOLOv8 跑起来2.1 环境依赖与安装顺序航拍小目标检测对显存和 CUDA 版本比较敏感我一般建议先用 conda 隔离环境避免和系统里的 PyTorch 打架。项目基于 Ultralytics 的 YOLOv8 框架改的所以核心依赖就是 torch、ultralytics、opencv 这几样。下面这套命令在 Ubuntu 20.04 CUDA 11.8 上验证过Windows 下把 conda 激活命令换成activate即可。# 创建独立环境python 版本建议 3.9 或 3.10 conda create -n yolov8_small python3.10 -y conda activate yolov8_small # 安装 pytorch注意 cuda 版本要和驱动匹配 # 如果只有 CPU把 cu118 换成 cpu 即可但训练会非常慢 pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118 # 安装 ultralytics 和常用工具 pip install ultralytics opencv-python matplotlib seaborn tqdm pyyaml逻辑说明先建环境再装 torch是因为 ultralytics 会自动拉取它认为合适的 torch 版本容易和你的 CUDA 驱动对不上出现CUDA error: no kernel image is available这种玄学报错。参数上torch 2.1.0 对应 cu118 是比较稳的组合如果你用的是 30 系或 40 系卡别装太老的 torch。装完用python -c import torch; print(torch.cuda.is_available())验证一下返回 True 再往下走。2.2 航拍数据集的目录结构与标注格式航拍数据集和普通 COCO 最大的区别是图幅大、目标密、尺度跨度大。项目里默认用的是 YOLO 格式的 txt 标注每行class x_center y_center width height全部归一化到 0-1。目录结构建议按下面这样组织别自己乱改否则训练脚本里的路径解析会翻车。datasets/ ├── images/ │ ├── train/ # 训练集原图 │ └── val/ # 验证集原图 ├── labels/ │ ├── train/ # 对应 txt 标注 │ └── val/ └── data.yaml # 数据集配置文件data.yaml里要写清楚类别数和路径常见写法如下path: ./datasets train: images/train val: images/val nc: 5 names: [car, person, boat, plane, truck]逻辑说明path是数据集根目录train和val是相对路径这样换机器时只改path一处就行。nc是类别数必须和你标注里的 class id 最大值加一一致写错了训练不报错但类别全乱。如果你的航拍图是超大图比如 4000 像素以上别直接塞进去训先切图切图脚本项目里一般会带切成 640 或 1024 的块块之间留 20% 重叠避免目标被切断。2.3 启动训练与关键参数含义环境通了、数据摆好了就可以起训练。项目里通常有个train.py核心就是调 ultralytics 的YOLO接口。下面这段是我常用的启动方式参数按航拍小目标场景调过。from ultralytics import YOLO # 加载改进后的模型结构配置注意不是官方 yolov8n.pt model YOLO(cfg/models/v8/yolov8-small-improve.yaml) # 开始训练 model.train( datadatasets/data.yaml, epochs300, imgsz1024, # 航拍小目标建议用大输入尺寸 batch8, # 显存不够就往下调 device0, workers4, optimizerSGD, lr00.01, lrf0.01, momentum0.937, weight_decay0.0005, warmup_epochs3, mosaic1.0, # 马赛克增强小目标场景很关键 scale0.5, fl_gamma1.5, # 焦点损失缓解小目标样本不平衡 patience50, projectruns/small, nameexp1 )逻辑说明imgsz1024是航拍小目标的血泪经验640 下很多目标只剩几个像素特征根本提不出来但尺寸翻倍显存也翻倍batch 要相应降到 8 甚至 4。mosaic1.0开启马赛克增强能把四张图拼一起变相增加小目标数量和背景多样性。fl_gamma1.5是焦点损失系数专门对付小目标正负样本极度不平衡的问题值越大越关注难样本但太大容易训崩1.5 是比较稳的起点。patience50表示 50 轮没提升就早停省时间。3. 改进点拆解检测头、特征融合与注意力到底改了什么3.1 小目标检测头的设计逻辑标准 YOLOv8 用三个尺度的检测头分别对应 8、16、32 倍下采样。航拍图里的小目标在 32 倍下采样后基本就剩一两个像素所以改进方向通常是加一个更高分辨率的检测头比如 4 倍下采样专门抓小目标。项目里的改进结构一般是在 neck 部分多引出一路 P2 特征然后接一个检测头。这样四个尺度分别负责极小、小、中、大目标分工更明确。代价是计算量上去了P2 特征图分辨率是 P3 的两倍显存和推理时间都会涨。我实测在 1080Ti 上加 P2 头后单张推理从 12ms 涨到 19ms但小目标召回率能提 8 到 12 个点值不值看你场景。如果做实时巡检可能要在精度和速度之间权衡或者只在离线分析时用四头版本。3.2 特征融合与注意力模块的接入位置光加检测头不够小目标的特征在浅层但浅层语义信息弱所以要在 neck 里做更好的融合。常见做法是把 PANet 的路径加宽或者引入 BiFPN 的加权融合。项目里如果带了注意力模块一般是接在 neck 的输出或者 backbone 的 C2f 后面。注意力机制的作用是让网络自己学会「哪里有小目标」把响应权重压到小目标区域。接入位置很关键接错了不仅不涨点还掉点。我一般会先跑消融把注意力分别接在 backbone 末端、neck 中间、检测头前三个位置看哪个组合最好。项目源码里如果已经固定了位置你就别乱动先复现它的效果再考虑自己改。改的时候注意通道数要对齐注意力模块输出的通道必须和下一层输入一致否则报维度错误。3.3 损失函数与正样本分配策略小目标检测还有一个隐形杀手正样本太少。标准 YOLOv8 用 TaskAlignedAssigner 做正样本分配对小目标本身就不友好因为小目标 IoU 低容易被判成负样本。改进方案里常见的是调低正样本的 IoU 阈值或者引入 NWD归一化 Wasserstein 距离来替代 IoU因为 NWD 对尺度不敏感小目标也能有稳定的距离度量。如果你在源码里看到loss.py或tal.py被改过大概率就是动了这块。调参时重点看topk和alpha、beta这几个参数topk调大能让更多小目标候选进入正样本但太大噪声也多。我一般从默认值开始每次只动一个参数看验证集的小目标 AP 变化别一次改一堆否则出了问题都不知道是哪个引起的。4. 训练参数调优与效果验证怎么判断改进真的生效4.1 关键超参的调整区间航拍小目标的训练参数和通用检测差别挺大下面这张表是我踩坑后总结的常用区间可以直接对照着调。参数默认值航拍小目标建议说明imgsz6401024 或 1280太小目标像素不够太大显存爆炸batch164 到 8大输入尺寸下必须降 batchlr00.010.005 到 0.01小目标梯度弱学习率别太低mosaic1.00.8 到 1.0增强小目标多样性但太高会失真fl_gamma0.01.0 到 2.0焦点损失缓解正负样本失衡warmup_epochs33 到 5大模型大输入需要更长预热逻辑说明imgsz和batch是一对矛盾显存就那么多输入大了 batch 就得小batch 小了 BN 层统计不稳可以用梯度累积来补。lr0别设太小小目标本身梯度就弱学习率太低收敛慢甚至不收敛。mosaic是双刃剑开太高会让目标变形严重验证集上反而掉点0.8 左右比较平衡。4.2 用验证集指标判断改进是否有效训练跑完别只看 loss 曲线loss 降了不代表小目标检测好了。要重点看验证集输出的metrics/mAP50-95和分尺度的 AP。Ultralytics 默认会输出mAP50和mAP50-95但小目标要看更细的可以用 COCO 的评估脚本按面积分small、medium、large三档看 AP。如果改进后整体 mAP 涨了 2 个点但 small AP 没动那说明改进对大目标有效对小目标没用方向就错了。我一般会跑一个 baseline官方 YOLOv8和一个改进版固定随机种子同一份数据同一套超参只比 small AP。如果 small AP 提升超过 3 个点才算改进真的生效。别拿不同轮数、不同数据划分的结果对比那是自欺欺人。4.3 检测效果的可视化与误检分析项目里附的检测效果展示图你要会看。重点看三类漏检该检的没框、误检背景被框了、框不准框偏了或大小不对。航拍小目标最常见的误检是地面纹理、树冠、波浪被当成目标这通常是负样本不够或者注意力模块学偏了。解决办法是往训练集里加纯背景图或者调高置信度阈值。可视化脚本一般用 ultralytics 的predict接口就能出图from ultralytics import YOLO model YOLO(runs/small/exp1/weights/best.pt) results model.predict( sourcedatasets/images/val, imgsz1024, conf0.25, # 置信度阈值误检多就调高 iou0.5, # NMS 的 IoU 阈值漏检多就调低 saveTrue, save_txtTrue )逻辑说明conf控制哪些框保留调高减少误检但增加漏检航拍场景一般 0.25 到 0.4 之间试。iou是 NMS 合并框的阈值小目标密集时调低到 0.4 能减少漏检但可能出重复框。save_txtTrue会把预测结果存成 txt方便你写脚本和真值对比统计漏检误检数量。5. 避坑与常见问题排查这些报错和掉点我都遇到过5.1 显存溢出与 batch 设置现象训练一开始就报CUDA out of memory或者跑几十轮后突然爆显存。原因航拍大图输入尺寸大加上 P2 检测头显存占用比标准 YOLOv8 高不少batch 设大了直接爆。解决先把 batch 降到 2 或 4用nvidia-smi看显存占用留 1G 余量。如果还爆把imgsz从 1024 降到 768或者开混合精度ampTrue。跑着跑着爆显存通常是数据加载器缓存问题把workers调小或者加cacheFalse。5.2 小目标漏检严重但 loss 正常现象训练 loss 一路降验证 mAP 也还行但可视化一看小目标全漏。原因正样本分配把小目标判成负样本了或者 P2 特征没真正接上。解决检查tal.py里的topk和 IoU 阈值把topk从默认 10 调到 13 或 15IoU 阈值从 0.5 降到 0.3。再确认模型 yaml 里 P2 那一路的通道数和上采样配置对不对接错了特征图尺寸对不上会静默走默认路径。5.3 数据标注格式错误导致训练不收敛现象loss 不降或者降了但 mAP 一直是 0。原因标注 txt 里的坐标没归一化或者 class id 从 1 开始YOLO 要求从 0 开始或者图片和标注文件名对不上。解决写个脚本遍历所有标注检查坐标是否都在 0-1 之间class id 最大值是否小于nc。文件名对不上是最隐蔽的图片叫img_001.jpg标注叫img_001.txt差一个字符就静默跳过训练时当负样本处理。5.4 改进模块加了但速度掉太多现象精度涨了 3 个点但推理速度从 30FPS 掉到 8FPS实时场景没法用。原因P2 检测头和注意力模块都是计算大户尤其注意力在高分辨率特征图上开销巨大。解决把注意力模块从 P2 层挪到 P3 或 P4或者用轻量注意力比如 EMA、SimAM替代标准自注意力。再不行就只在推理时用三头版本训练用四头导出时剪掉 P2 分支但这样精度会回退一点要重新验证。5.5 验证集指标虚高但实际部署翻车现象验证集 mAP 0.6实际跑视频或大图时效果差很多。原因验证集和训练集同分布但实际场景光照、角度、分辨率变了模型过拟合了训练集的纹理。解决划验证集时按场景分别随机分比如训练集用白天验证集用傍晚这样指标更真实。另外部署前一定要用实际场景的图跑一遍别只看验证集数字。6. 进阶技巧把改进 YOLOv8 导出 ONNX 并验证小目标精度训练完的.pt权重只能在 Python 环境跑实际部署到 C 或边缘设备上一般要转 ONNX。但小目标检测模型转 ONNX 有个坑动态输入尺寸和 P2 分支的算子兼容性。我一般用下面的方式导出并强制固定输入尺寸避免部署时 shape 对不上。from ultralytics import YOLO model YOLO(runs/small/exp1/weights/best.pt) # 导出 onnx固定输入尺寸opset 用 12 兼容性好 model.export( formatonnx, imgsz(1024, 1024), opset12, simplifyTrue, dynamicFalse )逻辑说明imgsz固定成训练时的尺寸别用动态小目标模型对 shape 敏感动态轴容易让某些算子走错分支。opset12是兼容性和算子支持比较平衡的版本太低不支持新算子太高有些推理引擎不认。simplifyTrue会调 onnx-simplifier 做图优化能去掉冗余算子但偶尔会改错结构导出后一定要用onnxruntime跑一遍验证输出和 PyTorch 一致。验证 ONNX 输出时重点比对小目标框的坐标和置信度别只看整体。我习惯用同一张图分别跑 PyTorch 和 ONNX把输出框按置信度排序看前 20 个框的 IoU 是否都大于 0.99。如果小目标框对不上大概率是 P2 分支的 resize 或 concat 算子在导出时被优化掉了这时候关掉simplify再导一次。从那以后我每次导出 ONNX 都强制走一遍「PyTorch vs ONNX 输出比对」不比对不部署这个习惯帮我省了至少三次线上翻车。希望帮到你。本文还有配套的精品资源点击获取
航拍小目标检测总漏检？改进YOLOv8实战包助你提升精度
简介本资源面向计算机视觉研究者与深度学习开发者聚焦航拍图像场景下的小目标检测难题提供一套基于改进YOLOv8的完整算法实现与实战项目。针对小目标尺寸小、分辨率低、背景噪声干扰强等痛点项目对网络结构、损失函数与锚框策略进行优化增强细粒度特征提取与上下文信息利用可应用于安防监控、遥感分析、无人机巡检等场景。压缩包共87个文件约1.97MB以38个Python源码文件为核心辅以26个pyc编译文件、18个yaml配置、2张jpg与2张png检测效果图及1份md说明文档涵盖模型定义、损失与指标计算、数据配置及可视化模块目录结构清晰便于复现。已有138人学习下载。读者可获取完整项目源码、训练配置与检测效果展示快速复现改进算法理解小目标检测的调优思路与工程落地方法。1. 航拍小目标检测为什么总漏检一份改进 YOLOv8 实战包能解决什么如果你跑过航拍图像的目标检测大概率遇到过这种场景一张 4000×3000 的无人机正射图里车辆、行人、船只只占几十个像素用标准 YOLOv8 训完一看mAP 卡在 0.3 上下小目标几乎全被漏掉。这不是你标注的问题也不是训练轮数不够而是通用检测器在 8 倍下采样后小目标的特征早就被卷积和池化吃干净了。这份「小目标检测-基于航拍图像改进 YOLOv8 实现的小目标检测算法」项目包针对的就是这个痛点它把检测头、特征融合和注意力模块做了面向小目标的改造配套完整源码和检测效果展示适合正在做航拍巡检、遥感解译、毕设课题的从业者和学生直接复现。下面我按「拿到包怎么跑通 → 改进点在哪 → 参数怎么调 → 坑怎么躲」的顺序拆一遍新手能照着走熟手能直接看边界。2. 环境搭建与数据准备从零把改进 YOLOv8 跑起来2.1 环境依赖与安装顺序航拍小目标检测对显存和 CUDA 版本比较敏感我一般建议先用 conda 隔离环境避免和系统里的 PyTorch 打架。项目基于 Ultralytics 的 YOLOv8 框架改的所以核心依赖就是 torch、ultralytics、opencv 这几样。下面这套命令在 Ubuntu 20.04 CUDA 11.8 上验证过Windows 下把 conda 激活命令换成activate即可。# 创建独立环境python 版本建议 3.9 或 3.10 conda create -n yolov8_small python3.10 -y conda activate yolov8_small # 安装 pytorch注意 cuda 版本要和驱动匹配 # 如果只有 CPU把 cu118 换成 cpu 即可但训练会非常慢 pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118 # 安装 ultralytics 和常用工具 pip install ultralytics opencv-python matplotlib seaborn tqdm pyyaml逻辑说明先建环境再装 torch是因为 ultralytics 会自动拉取它认为合适的 torch 版本容易和你的 CUDA 驱动对不上出现CUDA error: no kernel image is available这种玄学报错。参数上torch 2.1.0 对应 cu118 是比较稳的组合如果你用的是 30 系或 40 系卡别装太老的 torch。装完用python -c import torch; print(torch.cuda.is_available())验证一下返回 True 再往下走。2.2 航拍数据集的目录结构与标注格式航拍数据集和普通 COCO 最大的区别是图幅大、目标密、尺度跨度大。项目里默认用的是 YOLO 格式的 txt 标注每行class x_center y_center width height全部归一化到 0-1。目录结构建议按下面这样组织别自己乱改否则训练脚本里的路径解析会翻车。datasets/ ├── images/ │ ├── train/ # 训练集原图 │ └── val/ # 验证集原图 ├── labels/ │ ├── train/ # 对应 txt 标注 │ └── val/ └── data.yaml # 数据集配置文件data.yaml里要写清楚类别数和路径常见写法如下path: ./datasets train: images/train val: images/val nc: 5 names: [car, person, boat, plane, truck]逻辑说明path是数据集根目录train和val是相对路径这样换机器时只改path一处就行。nc是类别数必须和你标注里的 class id 最大值加一一致写错了训练不报错但类别全乱。如果你的航拍图是超大图比如 4000 像素以上别直接塞进去训先切图切图脚本项目里一般会带切成 640 或 1024 的块块之间留 20% 重叠避免目标被切断。2.3 启动训练与关键参数含义环境通了、数据摆好了就可以起训练。项目里通常有个train.py核心就是调 ultralytics 的YOLO接口。下面这段是我常用的启动方式参数按航拍小目标场景调过。from ultralytics import YOLO # 加载改进后的模型结构配置注意不是官方 yolov8n.pt model YOLO(cfg/models/v8/yolov8-small-improve.yaml) # 开始训练 model.train( datadatasets/data.yaml, epochs300, imgsz1024, # 航拍小目标建议用大输入尺寸 batch8, # 显存不够就往下调 device0, workers4, optimizerSGD, lr00.01, lrf0.01, momentum0.937, weight_decay0.0005, warmup_epochs3, mosaic1.0, # 马赛克增强小目标场景很关键 scale0.5, fl_gamma1.5, # 焦点损失缓解小目标样本不平衡 patience50, projectruns/small, nameexp1 )逻辑说明imgsz1024是航拍小目标的血泪经验640 下很多目标只剩几个像素特征根本提不出来但尺寸翻倍显存也翻倍batch 要相应降到 8 甚至 4。mosaic1.0开启马赛克增强能把四张图拼一起变相增加小目标数量和背景多样性。fl_gamma1.5是焦点损失系数专门对付小目标正负样本极度不平衡的问题值越大越关注难样本但太大容易训崩1.5 是比较稳的起点。patience50表示 50 轮没提升就早停省时间。3. 改进点拆解检测头、特征融合与注意力到底改了什么3.1 小目标检测头的设计逻辑标准 YOLOv8 用三个尺度的检测头分别对应 8、16、32 倍下采样。航拍图里的小目标在 32 倍下采样后基本就剩一两个像素所以改进方向通常是加一个更高分辨率的检测头比如 4 倍下采样专门抓小目标。项目里的改进结构一般是在 neck 部分多引出一路 P2 特征然后接一个检测头。这样四个尺度分别负责极小、小、中、大目标分工更明确。代价是计算量上去了P2 特征图分辨率是 P3 的两倍显存和推理时间都会涨。我实测在 1080Ti 上加 P2 头后单张推理从 12ms 涨到 19ms但小目标召回率能提 8 到 12 个点值不值看你场景。如果做实时巡检可能要在精度和速度之间权衡或者只在离线分析时用四头版本。3.2 特征融合与注意力模块的接入位置光加检测头不够小目标的特征在浅层但浅层语义信息弱所以要在 neck 里做更好的融合。常见做法是把 PANet 的路径加宽或者引入 BiFPN 的加权融合。项目里如果带了注意力模块一般是接在 neck 的输出或者 backbone 的 C2f 后面。注意力机制的作用是让网络自己学会「哪里有小目标」把响应权重压到小目标区域。接入位置很关键接错了不仅不涨点还掉点。我一般会先跑消融把注意力分别接在 backbone 末端、neck 中间、检测头前三个位置看哪个组合最好。项目源码里如果已经固定了位置你就别乱动先复现它的效果再考虑自己改。改的时候注意通道数要对齐注意力模块输出的通道必须和下一层输入一致否则报维度错误。3.3 损失函数与正样本分配策略小目标检测还有一个隐形杀手正样本太少。标准 YOLOv8 用 TaskAlignedAssigner 做正样本分配对小目标本身就不友好因为小目标 IoU 低容易被判成负样本。改进方案里常见的是调低正样本的 IoU 阈值或者引入 NWD归一化 Wasserstein 距离来替代 IoU因为 NWD 对尺度不敏感小目标也能有稳定的距离度量。如果你在源码里看到loss.py或tal.py被改过大概率就是动了这块。调参时重点看topk和alpha、beta这几个参数topk调大能让更多小目标候选进入正样本但太大噪声也多。我一般从默认值开始每次只动一个参数看验证集的小目标 AP 变化别一次改一堆否则出了问题都不知道是哪个引起的。4. 训练参数调优与效果验证怎么判断改进真的生效4.1 关键超参的调整区间航拍小目标的训练参数和通用检测差别挺大下面这张表是我踩坑后总结的常用区间可以直接对照着调。参数默认值航拍小目标建议说明imgsz6401024 或 1280太小目标像素不够太大显存爆炸batch164 到 8大输入尺寸下必须降 batchlr00.010.005 到 0.01小目标梯度弱学习率别太低mosaic1.00.8 到 1.0增强小目标多样性但太高会失真fl_gamma0.01.0 到 2.0焦点损失缓解正负样本失衡warmup_epochs33 到 5大模型大输入需要更长预热逻辑说明imgsz和batch是一对矛盾显存就那么多输入大了 batch 就得小batch 小了 BN 层统计不稳可以用梯度累积来补。lr0别设太小小目标本身梯度就弱学习率太低收敛慢甚至不收敛。mosaic是双刃剑开太高会让目标变形严重验证集上反而掉点0.8 左右比较平衡。4.2 用验证集指标判断改进是否有效训练跑完别只看 loss 曲线loss 降了不代表小目标检测好了。要重点看验证集输出的metrics/mAP50-95和分尺度的 AP。Ultralytics 默认会输出mAP50和mAP50-95但小目标要看更细的可以用 COCO 的评估脚本按面积分small、medium、large三档看 AP。如果改进后整体 mAP 涨了 2 个点但 small AP 没动那说明改进对大目标有效对小目标没用方向就错了。我一般会跑一个 baseline官方 YOLOv8和一个改进版固定随机种子同一份数据同一套超参只比 small AP。如果 small AP 提升超过 3 个点才算改进真的生效。别拿不同轮数、不同数据划分的结果对比那是自欺欺人。4.3 检测效果的可视化与误检分析项目里附的检测效果展示图你要会看。重点看三类漏检该检的没框、误检背景被框了、框不准框偏了或大小不对。航拍小目标最常见的误检是地面纹理、树冠、波浪被当成目标这通常是负样本不够或者注意力模块学偏了。解决办法是往训练集里加纯背景图或者调高置信度阈值。可视化脚本一般用 ultralytics 的predict接口就能出图from ultralytics import YOLO model YOLO(runs/small/exp1/weights/best.pt) results model.predict( sourcedatasets/images/val, imgsz1024, conf0.25, # 置信度阈值误检多就调高 iou0.5, # NMS 的 IoU 阈值漏检多就调低 saveTrue, save_txtTrue )逻辑说明conf控制哪些框保留调高减少误检但增加漏检航拍场景一般 0.25 到 0.4 之间试。iou是 NMS 合并框的阈值小目标密集时调低到 0.4 能减少漏检但可能出重复框。save_txtTrue会把预测结果存成 txt方便你写脚本和真值对比统计漏检误检数量。5. 避坑与常见问题排查这些报错和掉点我都遇到过5.1 显存溢出与 batch 设置现象训练一开始就报CUDA out of memory或者跑几十轮后突然爆显存。原因航拍大图输入尺寸大加上 P2 检测头显存占用比标准 YOLOv8 高不少batch 设大了直接爆。解决先把 batch 降到 2 或 4用nvidia-smi看显存占用留 1G 余量。如果还爆把imgsz从 1024 降到 768或者开混合精度ampTrue。跑着跑着爆显存通常是数据加载器缓存问题把workers调小或者加cacheFalse。5.2 小目标漏检严重但 loss 正常现象训练 loss 一路降验证 mAP 也还行但可视化一看小目标全漏。原因正样本分配把小目标判成负样本了或者 P2 特征没真正接上。解决检查tal.py里的topk和 IoU 阈值把topk从默认 10 调到 13 或 15IoU 阈值从 0.5 降到 0.3。再确认模型 yaml 里 P2 那一路的通道数和上采样配置对不对接错了特征图尺寸对不上会静默走默认路径。5.3 数据标注格式错误导致训练不收敛现象loss 不降或者降了但 mAP 一直是 0。原因标注 txt 里的坐标没归一化或者 class id 从 1 开始YOLO 要求从 0 开始或者图片和标注文件名对不上。解决写个脚本遍历所有标注检查坐标是否都在 0-1 之间class id 最大值是否小于nc。文件名对不上是最隐蔽的图片叫img_001.jpg标注叫img_001.txt差一个字符就静默跳过训练时当负样本处理。5.4 改进模块加了但速度掉太多现象精度涨了 3 个点但推理速度从 30FPS 掉到 8FPS实时场景没法用。原因P2 检测头和注意力模块都是计算大户尤其注意力在高分辨率特征图上开销巨大。解决把注意力模块从 P2 层挪到 P3 或 P4或者用轻量注意力比如 EMA、SimAM替代标准自注意力。再不行就只在推理时用三头版本训练用四头导出时剪掉 P2 分支但这样精度会回退一点要重新验证。5.5 验证集指标虚高但实际部署翻车现象验证集 mAP 0.6实际跑视频或大图时效果差很多。原因验证集和训练集同分布但实际场景光照、角度、分辨率变了模型过拟合了训练集的纹理。解决划验证集时按场景分别随机分比如训练集用白天验证集用傍晚这样指标更真实。另外部署前一定要用实际场景的图跑一遍别只看验证集数字。6. 进阶技巧把改进 YOLOv8 导出 ONNX 并验证小目标精度训练完的.pt权重只能在 Python 环境跑实际部署到 C 或边缘设备上一般要转 ONNX。但小目标检测模型转 ONNX 有个坑动态输入尺寸和 P2 分支的算子兼容性。我一般用下面的方式导出并强制固定输入尺寸避免部署时 shape 对不上。from ultralytics import YOLO model YOLO(runs/small/exp1/weights/best.pt) # 导出 onnx固定输入尺寸opset 用 12 兼容性好 model.export( formatonnx, imgsz(1024, 1024), opset12, simplifyTrue, dynamicFalse )逻辑说明imgsz固定成训练时的尺寸别用动态小目标模型对 shape 敏感动态轴容易让某些算子走错分支。opset12是兼容性和算子支持比较平衡的版本太低不支持新算子太高有些推理引擎不认。simplifyTrue会调 onnx-simplifier 做图优化能去掉冗余算子但偶尔会改错结构导出后一定要用onnxruntime跑一遍验证输出和 PyTorch 一致。验证 ONNX 输出时重点比对小目标框的坐标和置信度别只看整体。我习惯用同一张图分别跑 PyTorch 和 ONNX把输出框按置信度排序看前 20 个框的 IoU 是否都大于 0.99。如果小目标框对不上大概率是 P2 分支的 resize 或 concat 算子在导出时被优化掉了这时候关掉simplify再导一次。从那以后我每次导出 ONNX 都强制走一遍「PyTorch vs ONNX 输出比对」不比对不部署这个习惯帮我省了至少三次线上翻车。希望帮到你。本文还有配套的精品资源点击获取
