📘 YOLO小目标检测
模型改进·调参实战
🧩 30章 完整目录
01
小目标检测概述
什么是小目标？难点与挑战
➔
02
YOLO系列基础回顾
YOLOv5/v8/v9核心架构对比
➔
03
数据集准备
标注规范与增强策略
➔
04
Anchor优化
针对小目标的Anchor聚类与自适应调整
➔
05
Backbone改进
注意力机制(SE/CBAM/CA)
➔
06
Neck改进
BiFPN与加权特征融合
➔
07
Head改进
解耦头与动态标签分配
➔
08
损失函数调优
CIoU/EIoU/SIoU选择
➔
09
数据增强进阶
Mosaic/MixUp/Copy-Paste
➔
10
多尺度训练
图像金字塔与多尺度策略
➔
11
测试时增强(TTA)
多尺度测试与翻转集成
➔
12
模型剪枝
结构化剪枝在小目标模型
➔
13
知识蒸馏
Teacher-Student框架
➔
14
量化部署
INT8量化影响与补偿
➔
15
小样本小目标检测
Few-Shot与元学习
➔
16
Transformer与YOLO结合
引入DETR思路
➔
17
上下文信息利用
全局上下文模块与RFB
➔
18
特征金字塔优化
高分辨率特征图保留融合
➔
19
正负样本分配
SimOTA与TaskAlignedAssigner
➔
20
NMS优化
Soft-NMS与DIoU-NMS
➔
21
训练技巧
Warmup·余弦退火·EMA
➔
22
超参数搜索
Ray Tune / Optuna
➔
23
迁移学习
预训练权重与冻结训练
➔
24
模型集成
多模型集成与Snapshot Ensemble
➔
25
边缘端部署
TensorRT / ONNX Runtime
➔
26
遥感图像小目标检测
特殊场景改进方案
➔
27
无人机视角小目标检测
视角变化与尺度问题
➔
28
工业缺陷检测小目标
数据不平衡与样本生成
➔
29
实时小目标检测
速度与精度的平衡
➔
30
项目实战
从标注到部署全流程
➔