AI小目标检测漏检率攀升 多因素数据拆解
上个月某头部安防厂商在内部评测中发现,同一套YOLOv8模型部署到地铁站台场景后,对背包、手机、烟头三类小目标的漏检率从实验室的4.7%飙到19.3%。这不是个例,过去半年我们追踪的27个实际落地项目

上个月某头部安防厂商在内部评测中发现,小目同一套YOLOv8模型部署到地铁站台场景后,标检对背包、测漏手机、检率据拆解烟头三类小目标的攀升漏检率从实验室的4.7%飙到19.3%。这不是多因个例,过去半年我们追踪的素数27个实际落地项目里,有21个在小目标类别上出现明显性能回撤,小目其中8个项目漏检率翻倍。标检问题比大多数人以为的测漏更具体,也更可控。检率据拆解
数据标注尺度错位让模型学会忽略小目标
拆开一个失败案例:某工厂安全帽检测项目,攀升标注团队按照“能看清帽檐轮廓才画框”的多因标准作业,结果7680张训练图里,素数小于32×32像素的小目安全帽只出现41次。模型在验证集上mAP达到91%,上线后却对远处工人漏报严重。问题不在网络结构,在标注尺度。同类问题还出现在遥感影像的车流统计、零售货架的盒装商品识别中——标注员习惯性放大视野找目标,小物体直接被当成背景噪声处理。补救做法是强制设定最小标注边长,例如16像素,并且对原图做2×2切片后二次标注,让模型在局部上下文里重新认识小目标。
下采样倍数与感受野失衡吃掉细节信号
主流检测器的骨干网络通常经过32倍甚至64倍下采样,一个64×64的输入目标在最终特征图上只剩1×1或2×2的响应单元。某自动驾驶团队的测试数据很直观:同一个小目标在输入分辨率1280×720时漏检率11.2%,降到640×360时漏检率跳升至34.6%。这不是分辨率不足,而是小目标的纹理和边缘信息被池化操作连续抹掉后,分类分支拿到的信号已经不具备判别性。两个改动能立竿见影:把检测头的输入特征从P5上探到P2/P3层级;或者对浅层特征图单独接一个轻量检测头,专抓16到32像素区间的小目标。
训练时小目标样本被负样本淹没
默认锚框或正负样本分配策略下,一张1080P画面可能产生上万个候选框,其中命中真值的不过个位数。某电商质检项目统计过,正负样本比例一度达到1:1300,小目标正样本只有0.07%。模型很快学会“拒绝一切”也能获得极低损失。常见的Anchor-Free体系也没能完全解决这个问题,因为中心点热力图在训练时同样面临正样本稀疏。调高小目标正样本权重、使用复制粘贴增强给训练图里人为插入小目标实例、以及引入OHEM或Focal Loss类损失,能把召回率挽回12到18个百分点。不过复制粘贴增强要控制插入位置,避免把烟头贴在天空区域,否则模型会学到空间上下文错误。
小目标漏检本质上不是单一算法瓶颈,而是数据工程、特征分辨率、样本均衡三者叠加的结果。下次再遇到漏检率异常,先别着急换SOTA模型,把标注像素分布和正样本比例拉出来看一眼,往往能找到成本最低的修复点。
下一篇:链上投票快照区块委托变动如何应对