做无人机航拍检测的朋友十有八九都经历过这种场面一张几千乘几千的航拍大图里车只有十几个像素人要眯着眼才看得见模型却连一个都框不出来。YOLOv8本身已经很快但拿到这种小目标密集的场景下效果经常不如预期。SPDC-YOLO这个项目就是针对无人机航拍图像里“目标太小、背景太乱、正负样本极不均衡”这三个老大难问题在YOLOv8结构上做了几处针对性改造。如果你是做遥感、巡检、或者对无人机采集的视频做实时检测的开发者这篇文章值得看完。我会把它的核心改动、复现配置、以及我踩过的几个坑一次性说清楚。1. 为什么无人机航拍的小目标检测这么难1.1 先搞清楚“小目标”的标准再动手很多人上来就调参但连“小目标”的定义都没对齐。业内最常见的标准是COCO数据集的绝对像素定义目标边界框面积小于32×32像素就算小目标大于96×96像素才归为大目标。但在无人机航拍场景里大图动辄4000×3000一辆车在图中可能只占10×20像素这已经不是“小目标”而是“极小目标”。另一个容易被忽略的问题是目标经过模型下采样之后还剩多少像素。比如YOLOv8输出特征图的stride最小是8假设输入是640×640那么一个16×16像素的小目标在浅层特征图上只剩2×2个像素。到了stride为32的深层特征图直接变成一个点甚至被非极大值抑制直接抹掉。这就是小目标检测难的本质不是模型笨是信息在层层卷积里被吞掉了。小目标检测还有一个附加难点回归框对像素偏移极度敏感。大目标框偏移几十个像素无所谓小目标偏移三五个像素IoU就直接从0.7掉到0.3以下。所以哪怕骨干网络能提取到特征定位误差也会被IoU计算放大导致漏检或者错检。1.2 航拍场景带来的独特干扰航拍不是把相机水平放着拍而是从高空俯视这个视角带来了几个非常棘手的干扰。第一是目标形态和朝向不稳定。车辆、行人、船只都可能以任意朝向出现在画面里同一个目标在连续帧里角度变化剧烈。第二是背景噪声极其复杂树冠、屋顶、阴影、停机坪上的标志线纹理和颜色都可能和目标混淆。第三是光照变化大正午和傍晚的阴影长度完全不同同一片区域在不同时间段拍下来特征分布差异明显。还有一个很实际的问题目标在画面里分布极不均匀。有的帧只有零星几个目标有的帧里停车场密密麻麻全是车密集场景下目标互相遮挡、框与框重叠正负样本比例严重失衡。这种数据分布下常规的随机划分训练集和验证集很容易造成指标虚高或模型过拟合。生活化一点理解这就好比站在高层往下看停车场车是“看得到”的但你要是被要求一眼数清所有车的颜色还得把每辆车的轮廓画准难度完全不一样。航拍小目标检测要解决的就是这种“看得见但认不准、数不清”的问题。1.3 为什么选YOLOv8而不是其他方案选型这件事我见过太多人一上来就追新。不可否认基于Transformer的检测器在公开榜单上精度很高但放到真实部署场景推理速度、显存占用、开源生态、迁移成本都得算进去。YOLOv8的优势在于三点单阶段结构足够快C2f模块在特征复用上做得不错而且训练和导出工具链非常成熟从自定义数据到ONNX再到嵌入式部署基本一条路走通。但YOLOv8原生并不擅长小目标。它的输出层是P3、P4、P5对应stride 8、16、32意味着最小的检测头也在下采样8倍之后的特征图上工作。而无人机航拍里的绝大多数目标原始尺寸就落在8×8到32×32之间经过下采样后有效特征所剩无几。所以不能指望原版YOLOv8直接出好结果必须动手改结构。SPDC-YOLO这个项目走的路线就是在YOLOv8的骨架上做“外科手术”而不是推倒重来。保留YOLOv8的训练框架、后处理和部署方式重点修改下采样方式和检测头结构。这样既能在小目标数据上拿到明显收益又不至于让工程成本暴涨。接下来我详细拆解它到底改了什么。2. SPDC-YOLO的核心改动拆解2.1 第一步用SPD-Conv保住小目标的“像素命”Spd-Conv的全称是Space-to-Depth Convolution翻译过来就是“空间转深度卷积”。它的核心思路很简单在实际下采样之前先把空间维度的信息通过重排完整保留下来。普通的下采样卷积是stride为2的卷积直接在地图上隔一个像素取一个点等于强行扔掉一半信息。对小目标来说被扔掉的那一半很可能就是目标的另一半身体。SPD-Conv的做法是用一个“空间转深度”操作把H×W×C的特征图按2×2的小块拆开拆成四个尺寸减半的子特征图再沿通道维度拼接得到H/2×W/2×4C的特征图。这样信息没有丢只是换了一种排列方式。之后再用stride为1的普通卷积做特征变换通过调节输出通道数控制计算量。我试过把YOLOv8的stem和几处stride2的下采样层替换成SPD-Conv效果立竿见影训练loss更容易降下去小目标的召回率明显上升。代价是中间特征图的通道数暂时变成4倍显存和计算量会有一定增加所以不能无脑全换。稳妥的做法是只在浅层和主干深层分别设置一个开关按显存情况和数据集特点决定替换哪些层。2.2 第二步把C2f模块改造成SPDC复合模块YOLOv8的C2f模块本身是一个很聪明的设计。它把输入拆成多个分支通过若干个Bottleneck结构提取特征后再拼接梯度流更丰富参数利用效率也比较高。但标准C2f对小目标最致命的一点是它内部的Bottleneck为了省参数普遍用1×1卷积加3×3卷积感受野相对固定而航拍小目标特别依赖周围上下文来判断“这个像素块到底是不是一辆车”。SPDC-YOLO里的“SPDC”这个命名其实就是把两条思路拼在一起前面加SPD-Conv来替换下采样后面保留甚至重构C2f结构。具体做法有两种变体我在复现时都测过第一种是在C2f入口处先用SPD-Conv做一次无损下采样再接标准Bottleneck组适合替换那些既有stride2又有特征融合的过渡层。第二种是在C2f内部的Bottleneck里把部分3×3卷积换成膨胀率不同的卷积核在不增加太多参数的前提下扩大感受野比如用膨胀率2或者3的3×3卷积让模型看到更大范围的上下文。这里有个容易踩坑的地方。扩感受野不是越大越好无人机航拍里有些目标旁边就是高度相似的其他目标感受野太大反而会引入邻居信息造成混淆。我在测试时把膨胀率从2调到3精度没有继续涨反而有个别类别误检率上升。所以建议把这个参数做成可配置项而不是写死。2.3 第三步检测头加P2层配合损失函数调整原版YOLOv8的三个检测头分别工作在stride 8、16、32上对小目标最敏感的是stride 8那一层。SPDC-YOLO的常见做法是增加一个stride为4的P2检测头也就是在模型的更浅层、分辨率更高的特征图上去做小目标回归。听起来简单做起来有几个细节。首先是特征融合路径如果只是把P2单独拉出来做预测特征语义不够必须通过FPN或者PAN结构把深层的语义信息往浅层融合。其次增加P2后模型的输出从3组变成4组训练脚本里的损失权重、正样本分配都要跟着调否则新增头反而会干扰原来的预测。损失函数方面我强烈建议你关注一下回归损失的选择。原版YOLOv8用的CIoU对大目标比较友好到了小目标上框的宽高只有几十个像素CIoU的各项惩罚会被噪声放大。实践中很多人会用Wise-IoU这类对目标尺度不那么敏感的IoU变体来代替在小目标场景下回归loss能更稳定。我在一个公开航拍数据集上对比过同样是SPDC-YOLO的结构把回归损失换掉之后小目标类别上的mAP50大约能再涨两三个点这个收益不需要改模型结构属于“白捡”的优化。下面是SPDC-YOLO的结构示意我用YAML风格表示方便你理解各模块的位置关系。注意这只是一个简化示意落到具体代码库时还要根据实际版本来适配。# SPDC-YOLO 结构示意节选 backbone: - [-1, 1, SPD_Conv, [32, 3, 1]] # stem 区域用SPD下采样 - [-1, 1, SPDC2f, [64, True]] # stride 4 - [-1, 1, SPD_Conv, [128, 3, 1]] - [-1, 1, SPDC2f, [128, True]] # stride 8 - [-1, 1, SPD_Conv, [256, 3, 1]] - [-1, 1, SPDC2f, [256, True]] # stride 16 - [-1, 1, SPD_Conv, [512, 3, 1]] - [-1, 1, SPDC2f, [512, False]] # stride 32 head: # 新增P2检测头分支来自浅层特征融合 - [-1, 1, Conv, [128, 3, 1]] - [-1, 3, SPDC2f, [128, False]] - [-1, 1, Detect, [nc, [4, 8, 16, 32]]] # 四个输出尺度3. 从复现到部署完整实操记录3.1 数据集准备大图切块与标注的正确姿势无人机航拍原图通常是4K起步最大的甚至到8K直接把整图resize到YOLO训练的默认尺寸目标会被压缩得连人眼都认不出来。所以我训练SPDC-YOLO时第一步不是改模型而是改数据流程。先把大图切成1024×1024或者1280×1280的滑窗块切图时设置20%到30%的重叠率。重叠的目的是避免目标恰好在切图边界被截成两半。切完图之后要写脚本校验每个块里的标签如果一个目标的框被切掉了超过50%的面积就把它从当前块里删掉否则保留完整框再把坐标从原图坐标系转换到当前块的坐标系归一化之后存成YOLO格式。这个切图过程我建议直接写成自动化脚本不要手工做。脚本里至少包含两步一是统计每个目标的像素面积输出目标尺寸分布图二是随机抽检若干切图块把标签画回去可视化检查。我踩过一个很蠢的坑有一批训练数据在切图时忘记处理跨块目标导致一个目标被标成两个半块训练出来的模型在真实场景里对一个目标输出两个框最后全靠NMS阈值调整硬压下来。数据增强也需要针对小目标单独设计。YOLOv8默认的Mosaic增强会把四张图拼在一起对小目标来说反而有风险——目标被缩小后可能已经低于模型能感知的极限。我的经验是Mosaic概率不要设太高在0.5到0.7之间同时配合copy-paste增强把一些小目标单独贴到其他背景图中增加小目标样本的绝对数量效果比单纯拉大训练轮数好得多。3.2 训练配置与超参数详细说明模型结构改完之后训练配置直接影响最终效果。我用的方案可以参考下表但请注意这只是起点不是标准答案。超参数推荐值说明输入分辨率 imgsz1280或1536小目标场景下分辨率是第一优先项训练轮数 epochs200~300配合早停一般150轮之后进入平台期batch size尽量大至少8显存不够时用梯度累积优化器AdamWlr1e-3weight_decay5e-4学习率策略cosine退火warmup前3个epochMosaic概率0.5~0.7太高会让小目标更小copy-paste概率0.2左右有效提升小目标样本数量回归损失CIoU/WIoUWIoU对极小目标更稳训练命令以常见训练脚本为例python train.py --data uav.yaml --model spdc_yolo.yaml --imgsz 1280 --batch 16 --epoch 200 --amp这里要特别强调两点。第一amp混合精度默认开启但是如果你发现训练到一半loss突然变成nan而关掉amp就恢复正常优先检查是不是某些自定义SPD模块在fp16下数值溢出尤其是把空间转深度后的通道数放大到4倍那一步。第二加了P2检测头之后输出层的权重初始化顺序和损失分配权重都要跟着调整。我的做法是先把P2层对总损失的贡献权重设得低一点比如0.5等主检测头稳定后再调回1。还有一点容易被忽略输入分辨率不是越高越好。分辨率从640提到1280确实能看见更多小目标但再提到1600以上训练时间几乎翻倍而且航拍大图里背景噪声也会被放大误检数量反而上升。最稳的做法是先拿两三个类别的数据做一轮1280和1536的小对比实验再确认最终配置。3.3 推理、导出与NMS调优模型训好之后部署环节同样有门道。如果你的应用是对单张大图做检测建议推理时也用滑窗切图而不是直接resize整图。切图尺寸和训练一致重叠率可以设高一点比如50%因为推理时重叠越大目标被截断的概率越低。合并滑窗检测结果时要注意“同一个目标在多个块里被重复检出”的问题。我的做法是先收集所有块的检测框把框坐标映射回原图坐标系然后统一做一次全局NMS。全局NMS的IoU阈值我通常设在0.3到0.5之间置信度阈值反而可以设低一点比如0.1因为小目标的置信度天然偏低阈值设太高会漏掉真实目标。模型导出方面我习惯先导出成ONNX再转TensorRT的fp16引擎部署到边缘设备。这里有一个坑自定义模块如果在导出时用了太多重排操作部分推理框架的优化做得不够好导出后的速度可能不升反降。遇到这种情况检查一下SPD-Conv里面的空间转深度操作是不是被编译器正确融合必要时手动把重排和卷积拆成两个算子或者换用支持该算子的推理引擎版本。如果做的是实时视频流检测我还会在模型后面挂一个跟踪模块用跟踪结果弥补单帧检测的抖动。小目标物体在相邻帧之间往往移动只有几个像素跟踪器能有效降低漏检率但这属于应用层优化模型本身的改动才是地基。4. 常见问题与调优经验4.1 训练损失不下降或者直接nan这个问题我在复现SPDC-YOLO时遇到过而且不止一次。最先排查的是学习率。YOLOv8系列在batch size变大时学习率也需要相应调整我用AdamW时初始学习率一般控制在1e-3以内batch翻倍时学习率也翻倍或略微下调具体还要配合warmup。其次是混合精度训练到几十轮突然nan十有八九是某些层的数值稳定性出问题。我建议先把amp关掉跑20轮确认稳定再开启amp继续训练。另一个隐藏原因是标签数据本身有非法框比如坐标出现负值、宽高为零或者类别编号超出类别总数。这些脏数据在训练早期不会立刻报错但会逐渐污染梯度。我写了一个标签清洗脚本每次训练前都跑一遍把所有越界框和不合理框过滤掉训练异常率直线下降。4.2 小目标漏检率一直偏高怎么办如果模型训练正常、loss也降了但推理时小目标还是漏优先检查以下四个方向。第一输入分辨率是否够高。很多项目在验证集上测试时习惯用640×640这等于主动放弃小目标。第二SPD-Conv是否真的生效在浅层。我试过一种情况因为重构时的命名冲突某个浅层下采样其实还在用普通stride2卷积模型看起来结构改了实际跑的还是老逻辑。第三NMS的置信度阈值和IoU阈值是否合适小目标框本身偏小置信度阈值调到0.25以上会把很多真正的目标过滤掉。第四P2检测头的分支权重是否太低新增检测头的损失贡献不够模型会趋向于忽略它。如果这几个方向都排除了再考虑升级回归损失函数。这在前面已经提过不再赘述。现象可能原因解决办法小目标完全框不出来输入分辨率太低提升到1280以上目标框位置偏移大回归损失在微小IoU下不敏感换成WIoU或调整回归loss权重重叠目标二选一NMS阈值过严IoU阈值从0.5降到0.3~0.4训练正常但验证集指标低数据集划分不科学按采集场景/架次划分而不是随机切自定义模块导出变慢编译器未融合重排算子手动拆分算子或换推理引擎版本4.3 数据集与模型能力不匹配的坑这部分属于“经验之外的经验”。很多项目用SPDC-YOLO复现时效果达不到预期问题往往不在模型而在数据集本身。无人机航拍数据的正负样本比例极不均衡有些类别数量是另一些的几十倍。我看到过一个团队直接给数量少的类别加权结果训练损失下降很快但验证集mAP反而掉了原因是权重过大之后模型开始过拟合少数样本在背景区域输出大量误检框。我的建议是先用基础配置训练一轮统计各混淆矩阵的误检来源再针对性地调整数据增强比例而不是一上来就改权重。另外一个很容易被忽视的坑是数据集划分。如果你把同一个架次的连续帧随机分到训练集和验证集验证集里会有大量和训练集背景几乎相同的图片指标会虚高。严谨的做法是按拍摄时间段、拍摄地点把数据分成互斥的集合。这也是很多公开项目实际工程落地时翻车的常见原因。5. 最后说几点真实体会如果只让我保留一个调参动作我会毫不犹豫地把输入分辨率提到1280以上。视觉检测里没有玄学信息在模型前端丢失了后面再怎么调结构都是亡羊补牢。SPDC-YOLO的可贵之处在于它没有引入复杂的多阶段流程而是把注意力放在信息保留和轻量化这两个关键点上这让它从训练到部署都足够踏实。我自己在复现过程中最大的感触是小目标检测不是单纯比模型结构而是一个数据、分辨率、损失函数、后处理共同作用的系统工程。一个模块改了可能不涨点但把分辨率、SPD-Conv、P2检测头和损失函数几个环节串起来效果就会有质的提升。如果你正在做类似场景建议先拿一个小数据集把完整流程跑通再逐步扩大规模这样定位问题会清晰很多。最后再分享一个实用小技巧训练SPDC-YOLO时把验证集的检测可视化输出保存下来每隔20个epoch翻一遍。小目标检测的很多问题靠数值指标是看不出来的但一张可视化图能直接告诉你模型到底是在找目标还是在找背景纹理这个习惯能帮你省下大量无效调参时间。