162、YOLOv8改进实战：Transformer Decoder检测头替换——DETR风格端到端检测实现
从一次线上事故说起
去年年底，我在一个工业质检项目上栽了个大跟头。客户要求检测流水线上微小划痕，YOLOv8 baseline跑下来mAP有0.78，看起来还行。但部署到产线后，每天凌晨三点准时出现大量误检——NMS把相邻的划痕片段合并成了一条长划痕，导致良品被误判为次品。更头疼的是，划痕密集区域总有漏检，因为NMS阈值调低了漏检，调高了误检，怎么调都像在钢丝上跳舞。
那段时间我盯着TensorBoard上的NMS耗时曲线，突然意识到一个本质问题：YOLOv8的检测头本质上是“先预测一堆候选框，再用NMS暴力筛选”，这种设计在密集小目标场景下，后处理本身就是个瓶颈。DETR的端到端检测思路我早就看过，但一直觉得“Transformer上检测头太慢，工业落地不现实”。直到被NMS折磨到凌晨三点，我决定赌一把——把YOLOv8的检测头换成Transformer Decoder，用匈牙利匹配替代NMS。
架构层面的关键差异
YOLOv8的检测头是典型的“anchor-free + 解耦头”结构：三个检测层分别处理不同尺度特征，每个检测层输出分类分支和回归分支，最后通过NMS合并结果。这种设计的隐含假设是“每个特征点对应一个物体”，但实际场景中，特征点与物体的对应关系是模糊的——一个物体可能激活多个特征点，一个特征点可能对应多个小物体。
Transformer Decoder的思路完全不同：它把检测问题建模成“
