无人机航拍目标检测：基于YOLO的航拍影像小目标检测全流程优化

在电力巡检、国土测绘、安防监控这类无人机落地场景里，小目标检测从来都是绕不开的硬骨头。航拍影像动辄几千甚至上万像素的分辨率，而待检测的行人、车辆、杆塔部件往往只有十几到几十像素，原生YOLO拿过来直接训，最终mAP能掉到通用数据集的一半，漏检率居高不下，根本没法落地。

我们团队前后做过三个无人机巡检类项目，踩过从数据处理到模型改进再到边缘部署的全套坑。最开始也陷入过“堆注意力、加检测头”的误区，改了半个月网络，mAP只涨了不到两个点，速度还掉了三分之一。后来从数据侧、训练侧、推理侧全链路调整，才在VisDrone这类标准数据集上把小目标mAP拉上来8个多点，同时保证了机载端的推理速度。

本文就把整套优化方案完整拆解开来，从数据预处理、网络改造、训练调优到工程部署，每一步都给出可复现的方法和实测效果，帮大家少走弯路。

一、航拍小目标检测的四大核心痛点

和普通监控视角的目标检测不同，航拍场景的难点是系统性的，不是单改某一个模块就能解决的。

第一是目标尺度极小，特征信息严重不足。行业内通常把小于32×32像素的目标定义为小目标，而航拍数据里大量目标只有10-20像素。经过骨干网络32倍下采样后，一个20像素的目标在深层特征图上只剩不到1个像素点，语义信息几乎完全被背景噪声淹没，模型根本学不到有效特征。

第二是视角特殊，数据集分布差异巨大。YOLO的预训练权重基于COCO数据集，大多是平视视角的日常物体；而航拍是俯视视角，目标的形态、纹理、长宽比和平视场景差异极大，迁移学习的收益大打折扣。最典型的就是车辆，平视视角有明确的车头车身轮廓，俯视视角只剩一个车顶矩形，特征区分度很低。

第三是目标密集且类别极度不均衡。航拍影像里经常出现几十上百辆车密集排列的场景，目标间距小，很容易出现漏检和重复检测；同时不同类别样本量差距悬殊，比如车辆样本很多，骑行者、行人样本少，稀有缺陷类目标更是只有几百张，长尾效应严重。

第四是场景干扰因素多，鲁棒性要求高。实际飞行中会遇到光照变化、云层阴影、雾气模糊、镜头抖动等问题，同一区域在不同时段的成像效果差异极大。只在理想数据上训出来的模型，到了真实作业环境里精度直接跳水。

二、全流程优化整体架构

小目标检测的优化从来不是单点突破，而是全链路的系统性工程。我们的优化思路分为四层，从数据到部署逐层递进，优先做性价比最高的改动。

实战下来的经验是：数据侧优化的投入产出比最高，往往能带来50%以上的精度收益；其次是训练策略调优；网络架构改动的收益排在第三位；最后是部署侧的精度对齐与性能优化。很多人一上来就改网络结构，其实是走了弯路。

三、数据侧优化：从源头提升小目标特征质量

数据是算法的上限。航拍场景下，数据处理的质量直接决定了模型最终的精度天花板。

3.1 滑动窗口切片：解决大图小目标的矛盾

航拍原图普遍在4000×3000像素以上，直接缩放到640×640输入模型，小目标会被缩到几个像素，完全失去特征。标准做法是用滑动窗口把大图切成固定尺寸的小图，再送入模型训练。

切片有两个核心参数：窗口尺寸和重叠率。

• 窗口尺寸：常用的是640×640或800×800，和模型输入尺寸对齐，避免二次缩放损失。
• 重叠率：建议设置为20%-30%。重叠的目的是防止目标刚好落在窗口边缘被截断，导致标注不完整。如果重叠率太低，边缘目标的漏检率会明显上升；重叠率太高，又会产生大量重复样本，增加训练耗时。

切片后还要做一步过滤：把不含任何标注目标的纯背景图删掉，减少无效样本对训练的干扰。对于只包含极小目标的切片，可以适当提高其在训练集中的采样权重，强制模型多学习小目标特征。

3.2 针对性数据增强：适配小目标场景

原生YOLO的Mosaic、Mixup增强是为通用场景设计的，对小目标检测甚至有副作用——四张图拼接后，目标会被进一步缩小，原本就小的目标直接变成几个像素。

我们的增强策略是做减法+针对性补充：

1. 降低Mosaic概率：训练初期开启，概率设为0.3-0.5，训练后20%轮次完全关闭，避免小目标特征被破坏。
2. 加入Copy-Paste增强：这是小目标检测涨点最明显的增强手段。从数据集中抠出各类小目标，随机粘贴到背景图的合理位置，既能增加小目标的样本数量，又能丰富目标的背景环境。实测仅这一项，小目标召回率就能提升4%以上。
3. 几何与光照增强：随机旋转±15°、水平垂直翻转、亮度对比度随机调整、加高斯噪声模拟雾气模糊。核心原则是不改变目标的物理尺度，不破坏目标的完整性。
4. 随机裁剪放大：以一定概率对图像进行局部裁剪，然后放大到原尺寸，变相提高小目标在图中的占比，强化模型对小目标细节的学习。

3.3 标注规范与样本均衡

工业项目里，标注质量差导致的精度问题，比模型本身的问题多得多。

• 标注边界要紧贴目标边缘，不要留太多背景，也不要切到目标本身。极小目标标注时统一标注规则，比如低于5像素的目标是否标注、模糊目标如何处理，避免标注标准不一致带来的噪声。
• 对于类别不均衡问题，采用重采样策略，对稀有类别样本过采样，同时对海量常见类别欠采样。配合损失函数的类别权重，缓解长尾分布带来的偏向性。

四、网络架构改进：针对性强化小目标检测能力

数据打好基础后，再对网络做定向改造，重点是强化小目标的特征表达，不要盲目堆模块。

4.1 新增P2小目标检测头

原生YOLOv8/v11只有三个检测头，对应stride=8、16、32的特征图，最小的检测头负责检测大目标，最大的特征图（stride=8）负责检测小目标。但对于20像素左右的极小目标，8倍下采样后只剩2-3个特征点，特征表达严重不足。

解决方案是新增一个stride=4的P2检测头，专门负责极小目标检测。

• 从骨干网络的第二层引出P2特征图，尺寸为输入的1/4；
• 在Neck部分增加一次上采样，将P3特征上采样后与P2特征融合，输出第四个检测分支；
• 对应调整检测头的通道数，保证小目标分支有足够的细节特征。

改动后，20像素的目标在P2特征图上对应5个特征点，特征信息量提升了一倍多，小目标的定位和分类精度都会明显上升。代价是参数量增加约10%，推理速度下降约8%，性价比很高。

4.2 嵌入Coordinate Attention注意力

注意力机制很多，但不是所有都适合小目标。SE通道注意力完全丢失空间信息，CBAM的全局池化会抹平小目标特征，效果都一般。我们最终选了Coordinate Attention（坐标注意力），它把空间注意力拆分为水平和垂直两个方向编码，既能强化通道特征，又能保留精确的位置信息，刚好命中小目标检测的核心需求。

插入位置也有讲究，不是越多越好：

• 骨干网络的P2、P3输出层各加一个，强化浅层特征的目标定位；
• Neck的P2融合分支加一个，增强小目标特征的语义信息；
• 深层大目标分支不加，避免不必要的计算开销。

核心代码片段如下，基于ultralytics源码修改即可：

classCoordAtt(nn.Module):def__init__(self,inp,oup,reduction=32):super().__init__()self.pool_h=nn.AdaptiveAvgPool2d((None,1))self.pool_w=nn.AdaptiveAvgPool2d((1,None))mip=max(8,inp//reduction)self.conv1=nn.Conv2d(inp,mip,kernel_size=1,stride=1,padding=0)self.bn1=nn.BatchNorm2d(mip)self.act=nn.SiLU()self.conv_h=nn.Conv2d(mip,oup,kernel_size=1,stride=1,padding=0)self.conv_w=nn.Conv2d(mip,oup,kernel_size=1,stride=1,padding=0)defforward(self,x):identity=x n,c,h,w=x.size()x_h=self.pool_h(x)x_w=self.pool_w(x).permute(0,1,3,2)y=torch.cat([x_h,x_w],dim=2)y=self.conv1(y)y=self.bn1(y)y=self.act(y)x_h,x_w=torch.split(y,[h,w],dim=2)x_w=x_w.permute(0,1,3,2)a_h=self.conv_h(x_h).sigmoid()a_w=self.conv_w(x_w).sigmoid()returnidentity*a_w*a_h

4.3 特征融合路径优化

原生PANet是自顶向下再自底向上的双向融合，对于小目标来说，深层语义特征传过来的时候，细节信息已经损失了不少。我们做了两个小改动：

1. 在P2到P3的融合路径上增加跳跃连接，让浅层细节特征更直接地传递到中层；
2. 小目标分支的融合通道占比调高，让细节特征的权重更大，语义特征的权重适当降低。

改进后的网络整体架构如下：

五、训练策略调优：最大化模型收敛效果

同样的网络，不同的训练策略，最终精度能差出3-5个点。航拍小目标场景有几个必须调的参数。

5.1 锚框重新聚类

这是很多人容易忽略的细节。YOLO默认的锚框是基于COCO数据集聚类出来的，适配平视视角的目标尺寸。航拍场景的目标普遍偏小，长宽比也不一样，直接用默认锚框，正样本匹配效率很低，收敛慢且精度差。

做法很简单：用自己数据集的标注框重新跑k-means聚类，生成适配当前场景的9组锚框，对应三个检测头；加了P2头的话，就聚类12组。实测重新聚类后，模型收敛速度能加快20%，最终mAP提升1-2个点。

5.2 多尺度训练

开启多尺度训练，设置尺寸范围为480-960。训练过程中随机选取输入尺寸，让模型适应不同大小的目标。当输入尺寸变大时，小目标的像素数增加，特征更清晰，模型能学到更丰富的细节；小尺寸输入则能提升模型的泛化能力。

注意多尺度训练的显存占用会波动，要根据显卡显存调整batch size，避免爆显存。

5.3 损失函数加权优化

针对小目标做损失加权，是提升召回率的有效手段。

1. 回归损失换SIoU：相比CIoU，SIoU引入了方向匹配代价，对小目标的位置回归更友好，定位更精准。
2. 小目标损失加权：在损失计算时，根据目标的像素大小动态分配权重，面积小于32×32的目标损失权重乘以1.5-2.0，强制模型更关注小目标的学习。
3. 分类损失类别加权：对稀有类别设置更高的分类损失权重，缓解样本不均衡带来的偏向性。

5.4 分阶段训练策略

不要上来就端到端全量训练，很容易震荡不收敛。我们常用三阶段训练法：

1. 预热阶段：冻结骨干网络，只训练检测头和新增模块，学习率稍高，快速让新分支收敛；
2. 全训阶段：解冻全部网络，调低学习率，端到端联合训练，配合强数据增强；
3. 微调阶段：关闭Mosaic、Mixup等强增强，用更低的学习率微调10-15轮，稳定最终精度。

六、推理部署优化：工程落地的性能与精度平衡

训练做得再好，推理阶段处理不对，精度照样掉。航拍场景的推理有其特殊的工程逻辑。

6.1 大图重叠切片推理

和训练侧对应，推理时不能直接把几千像素的大图缩到640，必须用滑动窗口切片推理，然后把结果拼接起来。

• 切片尺寸和训练保持一致，重叠率设为20%-30%，保证边缘目标至少能出现在一个完整切片里；
• 每个切片独立推理，输出检测框；
• 所有切片的结果合并后，做一次全局NMS，去除重复检测的目标。

这里有个细节：切片重叠率不是越高越好。太高会产生大量重复框，NMS压力大，推理速度慢；太低又会漏检边缘目标。25%左右是我们实测下来的最优平衡点。

6.2 TensorRT加速部署

无人机机载端的算力有限，必须做模型加速。我们的标准方案是导出ONNX后转TensorRT FP16精度，速度能提升4-5倍，精度损失控制在0.5个百分点以内，完全可接受。

导出和转换时有两个注意点：

1. 预处理必须和训练严格对齐，包括归一化系数、通道顺序、填充方式，任何一点不一致都会导致精度掉点；
2. 如果输入尺寸固定，就用静态shape，比动态shape推理快20%以上。

6.3 后处理优化

航拍场景目标密集，普通NMS很容易把相邻的两个目标误当成一个删掉。建议用DIoU-NMS替换普通NMS，考虑检测框之间的距离和重叠，对密集目标的处理效果更好；如果追求速度，也可以调整NMS的IoU阈值，从默认的0.45调到0.5-0.6，减少误删。

对于端边云协同的场景，可以在机载端用轻量化模型做粗检，把疑似目标的区域裁剪出来，传到云端用大模型做精判，兼顾实时性和精度。

七、实验对比与消融分析

我们以YOLOv11s为基线，在VisDrone2019数据集上做了完整的消融实验，输入尺寸640×640，测试环境为RTX 3090 + TensorRT FP16。

从数据可以清晰看到：

• 仅数据侧优化，mAP就涨了4.5个点，是所有优化里收益最高的；
• 加P2头和注意力，带来2-3个点的提升，同时速度略有下降；
• 训练策略调优在不改变模型和速度的前提下，再涨1个多点。

整体下来，mAP从38.2%提升到46.9%，涨幅8.7个百分点，其中小目标召回率提升了17.6个百分点，效果非常显著。推理速度从152帧降到137帧，下降幅度不到10%，完全在可接受范围内。

可视化对比更直观：原生模型对远处的行人和非机动车漏检非常严重，很多置信度低于0.3；优化后大部分小目标都能被检出，置信度普遍提升到0.6以上，定位框也更贴合目标边缘。

八、实战踩坑与避坑指南

最后总结几个我们踩过的深坑，很多新手都会栽在这里。

1. 盲目堆砌注意力模块。很多人把SE、CBAM、CA全往网络里插，每层都加，结果参数量涨了很多，精度没涨多少，速度还掉得厉害。记住：注意力只加在中低层小目标分支，深层大目标分支没必要加，性价比极低。

2. Mosaic增强开太高。默认0.9的Mosaic概率，在航拍小目标场景是灾难，目标越拼越小，模型根本学不到小目标特征。训练初期开0.3-0.5就够了，后期一定要关掉。

3. 推理直接缩放原图。很多人图省事，把几千像素的大图直接缩到640推理，结果小目标全没了，还纳闷为什么模型效果差。切片推理是航拍场景的标配，省不了。

4. 只看整体mAP，不看小目标指标。整体mAP看着还行，实际落地漏检一堆，因为大目标把平均分拉上去了。一定要单独统计小目标的召回率和精度，这才是航拍场景的核心指标。

5. 不做域适应直接上预训练模型。COCO预训练权重和平视场景适配度高，和航拍俯视差异大。有条件的话，先用大量无标注航拍数据做自监督预训练，再微调，效果会好很多。

写在最后

无人机航拍小目标检测，本质上是一个工程问题大于算法问题的场景。它不需要多么前沿的理论，而是要把数据处理、模型改进、训练调优、工程部署每一个环节的细节都做到位。

给大家的落地建议是：先把数据侧的工作做扎实，切片、增强、标注规范这些做好，就能拿到大部分收益；然后再根据业务的精度和速度要求，选择性地做网络改造和训练调优；最后把部署侧的细节对齐，保证训练和推理的一致性。

按照这个路径走下来，绝大多数航拍巡检类的目标检测需求，都能达到量产落地的标准。