最近在做PCB板缺陷检测的项目，拿YOLO26-s训了一版，大目标的焊盘、插件检测AP都能到95%以上，偏偏针脚虚焊、微孔划痕这类20×20以下的小目标，AP卡在27%死活上不去。
调过anchor比例，加过CBAM注意力，把FPN层砍了又加，折腾了两周，最多涨了0.8个点，一部署到Jetson Orin上还掉速严重。
后来沉下心扒了YOLO26的训练源码和检测头逻辑才发现：很多人改小目标的思路从一开始就错了——总想着在backbone和FPN上堆模块，却忽略了YOLO26架构里三个针对小目标的天生短板。
这三个问题不解决，加再多注意力都是杯水车薪。今天就把我们团队踩了一个月坑总结出的优化方案分享出来，从标签分配、特征融合到回归头全链路调整，在我们的PCB缺陷数据集上，小目标AP从27.1%涨到30.8%，VisDrone小目标子集涨了3.7个点，推理速度只掉了4%，完全不影响端侧部署。
死穴一：标签分配的马太效应，小目标抢不到正样本
问题根源
YOLO26主推的STAL标签分配，对外号称是“小目标感知”，但本质逻辑依然是按匹配度排序分配。
对每个gt框，计算所有anchor的分类得分+定位得分，按分数从高到低排，取前k个当正样本。这套逻辑对大目标非常友好：大目标特征强，分类得分稳，和anchor的IOU天然高，永远排在队伍前面，能分到足够的正样本。
但小目标就惨了：本身像素少、特征弱，分类置信度低，边界稍微模糊一点，IOU就上不去，得分天然比大目标低一截。更坑的是，当大小目标在同一个grid附近重叠时，有限的正样本配额全被大目标抢走，小目标直接变成负样本。
久而久之就形成了马太效应：大目标正样本越来越多，越训越准；小目标连正样本都抢不到，梯度信号不足，越训越漏。
精准打击方案
我们没有推翻STAL的整体框架，而是加了三个小改动，专门给小目标“开小灶”：
小目标预分配优先权
在标签分配的最前面，先遍历所有gt框，把宽高都小于32像素的目标挑出来，优先给它们分配正样本，每个小目标保底分配2个正样本。剩下的配额再按原有的STAL逻辑分配给中大型目标。核心逻辑就是：先保小目标有汤喝，再让大目标吃肉。邻域正样本扩充
对小目标，除了中心所在的grid，额外把上下左右四个相邻grid也设为正样本，同时适当降低IOU阈值（从0.5降到0.3）。小目标本身的梯度信号就弱，多几个正样本，训练收敛会稳很多，也不容易出现漏检。动态面积加权损失
在分类损失和回归损失前，乘一个和目标面积负相关的权重系数，目标越小，权重越高，最高放大3倍。强制模型把梯度重心往小目标偏移，避免被大目标的损失主导。
area=(gt_w*gt_h).clamp(min=1.0)weight=(target_area/area).sqrt().clamp(max=3.0)loss_cls*=weight loss_reg*=weight这三点改完，不用动任何网络架构，小目标的召回率直接涨了2个点，是整个优化流程里投入产出比最高的一步。
死穴二：FPN特征融合的信息稀释，小目标细节被淹没
问题根源
很多人以为FPN是用来增强小目标的，但其实YOLO26的FPN对小目标非常不友好。
YOLO26为了提升速度，FPN只做了三次下采样和两次上采样融合，小目标对应的P2层特征，要经过两次上采样，和P3、P4的深层特征融合后，才送到检测头。
深层特征的通道数多、语义强，但分辨率低，没有小目标的细节；浅层特征细节足，但通道少，语义弱。两者直接相加融合的时候，深层特征的数值幅度更大，会直接把浅层的细节信息“盖过去”。
说白了就是：融合了一圈，小目标的细节信息被稀释得差不多了，到检测头的时候，已经分不清哪是小目标哪是背景噪声。
精准打击方案
我们没有加额外的FPN层数，而是做了两个轻量化的优化，专门保留小目标的细节：
浅层特征旁路分支
从backbone的P2层直接引出一条旁路，经过两个3×3卷积做特征增强，不经过FPN的上采样融合，直接送到对应的小目标检测头。这条旁路只负责检测32×32以下的目标，通道数设为原来的一半，参数量增加很少，但能完整保留浅层的细节信息，小目标的边缘清晰度提升非常明显。动态加权融合
把原来FPN里的直接相加，改成通道级的动态加权融合：对每个融合位置，通过一层1×1卷积+Sigmoid计算浅层特征和深层特征的权重，自动调整融合比例。在小目标密集的区域，浅层特征的权重会自动升高，保留细节；在大目标区域，深层特征权重升高，保证语义。整个模块的计算量可以忽略不计，不会影响推理速度。
改完之后可视化特征图能明显看到，小目标的特征响应变强了，之前很多模糊不清的微小缺陷，现在都能被模型捕捉到。
死穴三：无DFL回归的精度断层，小目标定位失准
问题根源
YOLO26最大的架构改动之一，就是彻底拿掉了DFL（分布焦点损失），改用直接坐标回归。这个改动对部署非常友好，少了很多复杂算子，TensorRT加速后速度涨了不少，但对小目标来说，直接就是精度灾难。
为什么？大目标几十上百个像素，预测框偏移1-2个像素，IOU变化不大；但小目标本身就10-20个像素，边界偏移1个像素，IOU可能直接从0.8掉到0.5以下，直接从正样本变成负样本。
DFL的优势就是通过分布建模，让边界回归更精细，哪怕偏移零点几个像素也能拟合到。拿掉DFL之后，小目标的定位误差被放大，很多时候不是模型没检测到，是框不准，导致IOU不够被算成了误检。
精准打击方案
我们没有简单地把DFL加回去——那样YOLO26的部署优势就没了。而是设计了一个轻量级分支分布回归头（LDR-Head），只给小目标用分布回归，大目标保持原生的直接回归，兼顾精度和速度。
具体做法：
双分支回归头
检测头的回归部分分成两个分支：大目标分支和原生YOLO26一致，直接回归四个坐标值，速度快；小目标分支用简化版的DFL，把原来的16个分布bin缩减到4个，只对小范围的偏移做分布建模，计算量只有原版DFL的1/4。动态路由切换
推理的时候，根据预测框的大小自动选择分支：小于32×32的框用小目标分支的结果，大于的用大目标分支。整个切换逻辑只有几个判断操作，完全不影响推理速度。中心度约束
在小目标回归分支加入中心度损失，惩罚预测框中心偏离目标中心的情况，进一步降低小目标的定位漂移，提升高IOU阈值下的AP。
这套方案下来，小目标的定位精度提升非常明显，IOU=0.5的AP涨幅最大，同时整体计算量只增加了不到5%，导出ONNX、TensorRT完全没有兼容性问题，端侧部署不受影响。
实测效果：工业数据集涨点3.7%，速度损失可忽略
我们在两个典型的小目标场景数据集上做了完整验证：
- PCB缺陷数据集：12000张图片，80%以上是小于32×32的缺陷目标；
- VisDrone2024验证集：聚焦其中小于32×32的小目标子集。
测试基底为YOLO26-s，输入尺寸640×640，测试环境RTX 3090 + TensorRT 8.6。
| 模型版本 | PCB小目标AP | VisDrone小目标AP | 参数量 | FPS |
|---|---|---|---|---|
| 原生YOLO26-s | 27.1% | 28.5% | 9.4M | 112 |
| 改进版YOLO26-s | 30.8% | 32.2% | 9.7M | 107 |
从数据能很直观地看到：
- 小目标AP分别涨了3.7和3.7个点，提升幅度非常显著；
- 参数量只增加了0.3M，涨幅不到3.2%；
- 推理速度从112降到107，下降不到4.5%，完全在工业部署的可接受范围内。
最重要的是，所有改进都用的是标准卷积和常规算子，没有任何自定义的复杂算子，导出ONNX、转TensorRT、部署到Jetson边缘设备上都一帆风顺，不用做额外的算子适配和改写。
最后说几句
做了这么多YOLO的小目标优化，最深的感受就是：不要上来就堆模块。
很多人一遇到小目标效果差，第一反应就是加注意力、换更大的backbone、加深FPN，结果涨点有限，速度掉得厉害，还没法部署。
其实对于YOLO26这种已经高度优化的架构，小目标的核心问题根本不在backbone的特征提取能力，而是在标签分配够不够、特征融合保不保留细节、回归头精不精准这三个环节。
把这三个死穴打通，用最少的改动换最大的涨点，同时保住YOLO26部署友好的核心优势，这才是工业落地最需要的优化思路。
如果你的项目也被小目标检测卡着，不妨先从这三个方向改起，成本低，见效快。
