YOLOv26三重边缘增强：提升小目标检测与缺陷识别精度

目标检测做到后面，基本就是和“细节”过不去。大目标谁都能检出来，真正拉开差距的是小目标、遮挡目标、还有边界模糊的目标。去年我参与一个工业缺陷检测项目，发现模型漏检的重灾区一直是细长划痕和小型裂纹，漏检率卡了很久降不下去。试了一批注意力模块和采样策略之后，一个让我明显看到效果的方向，是把“边缘”这个最原始但又最可靠的视觉线索捡起来。整个项目围绕一个代号为YOLOv26的内部迭代基线展开：我在它的基础上做了三重边缘增强改进，用多算子协同的方式做边缘检测，再配一个特征精炼模块，把边缘信息真正落进检测头。整套方案实测下来很稳，思路、实现、踩坑我都会写清楚，适合正在做检测精度优化、小目标场景落地、或拿YOLO类结构做毕设复现的同学参考。

1. 为什么要在YOLOv26上做边缘增强：先聊聊任务痛点

1.1 模型对“边缘”的态度一直很矛盾

主流的检测模型基本都把边缘当成底层噪声。卷积网络从第一层开始就在边缘响应里提取纹理，到深层以后，语义信息变强了，但空间分辨率低，边缘细节早就被连续下采样磨没了。结果就是：模型知道“这里大概有个目标”，但搞不清楚目标的精确边界在哪里。这一点在bbox回归上表现得很直接，预测框往往比GT框大一圈，或者贴不紧目标。

我在项目里反复观察到一个现象：小目标在深层语义特征上的响应通常很弱，但它的边缘在浅层还非常清晰。这种“边缘还在、语义不足”的状态，恰恰是边缘信息最值得介入的地方。很多研究者一提到小目标就想到提高输入分辨率、增加注意力模块，却忽略了一个事实：小目标在深层已经没剩几个像素了，你让它在深层特征上“自己争气”根本不现实。真正还能用的证据，就是浅层分辨率里保存下来的边缘响应。

1.2 三重增强是在解决三个不同层面的问题

如果只做单一边缘增强，比如在输入图旁边拼一个Canny结果，效果很有限。Canny这种二值边缘会引入大量假边缘，而且训练时不可导，对网络的前向传播是有效输入，对反向传播却没有任何帮助。所以我把边缘增强拆成三个层次：第一重是像素级，在输入域把边缘信息直接做进去；第二重是特征级，在骨干网络的中浅层特征图里把边缘信息“调制”进去；第三重是监督级，用边缘图做辅助监督信号，让梯度回传过程主动保留边缘信息。

这三重增强分别对应“看到、用上、学会”，是一条闭环路径。单独拆开任何一环，效果都会打折扣。后面章节我会把每一重的细节展开，包括算子怎么选、门控怎么设、辅助损失权重怎么调。

1.3 这个改进真正适合什么场景

边缘增强不是万能药。如果你的目标是背景复杂、遮挡严重的自然场景，边缘信息可能会被大量假边缘淹没，收益有限。但如果你的任务是细长目标、纹理类缺陷、低对比度小目标、印刷品检测这些以结构特征为主的方向，这套方案的效果会非常突出。我在金属划痕和织物布面缺陷两类数据上都验证过，跨场景迁移后AP仍然有2到3个点的提升，说明它对“结构敏感型任务”有不错的泛化价值。

2. 多算子协同边缘检测：从算子选型到自适应融合

2.1 为什么不用单一算子，而是三种算子协同

常见边缘算子各有侧重，先说清楚再选型：

• Sobel：一阶导数的近似，对噪声有抑制，计算快，适合提取大尺度轮廓。但3x3核的权重比较粗糙，对方向变化的响应不够细，弱边缘容易漏。
• Scharr：Sobel的改良版，把横向和纵向权重重排成更接近理想微分的系数，方向选择性更好，能拾取Sobel漏掉的细弱边缘。
• Laplacian：二阶导数算子，对灰度突变点响应强烈。它和一阶算子互补的地方在于，能检测到梯度变化平缓但梯度幅值达到极值的位置，也就是“转折点”，比如裂纹端点、小目标尖角。代价是对噪声极其敏感，必须做噪声预处理。

单一算子得到的只是边缘信息的一个侧面：Sobel给出“哪个方向在变化”，Scharr给出“哪里的梯度更精细”，Laplacian给出“哪里发生了突变极值”。三者叠加，本质是用“一阶方向梯度+一阶强化梯度+二阶突变定位”三个侧面去描述同一处结构信息，互补性很强。我在对比实验里测过，只用Sobel提升不到0.5个mAP，三算子协同可以稳定提升1.5以上。

2.2 协同融合：自适应加权而不是简单相加

直接把三种响应相加是最省事的做法，但实际效果不好。原因是三种算子输出的数值范围不在一个量级上：Sobel输出梯度幅值，范围可能是0到几百；Scharr类似但更集中；Laplacian输出二阶差值，可能出现正负双峰。直接相加，结果基本被数值范围最大的那个算子主导。

我采用的融合方式是：把三种响应分别归一化后，在通道维度拼接，接一个1x1卷积去学习融合权重，再用Sigmoid当作空间注意力门控，对每个像素位置独立选择可信的边缘响应。整个融合结构用PyTorch实现很短：

def multi_operator_edge(x): # x: (B, C, H, W) 输入图像或浅层特征 sobel_x = F.conv2d(x, sobel_kernel_x, padding=1) sobel_y = F.conv2d(x, sobel_kernel_y, padding=1) sobel = torch.sqrt(sobel_x ** 2 + sobel_y ** 2) scharr_x = F.conv2d(x, scharr_kernel_x, padding=1) scharr_y = F.conv2d(x, scharr_kernel_y, padding=1) scharr = torch.sqrt(scharr_x ** 2 + scharr_y ** 2) lap = F.conv2d(x, laplacian_kernel, padding=1) lap = torch.clamp(lap, min=0) # 只保留正响应，抑制负值噪声 edge = torch.cat([sobel, scharr, lap], dim=1) edge = fusion_conv(edge) # 1x1 conv + BN + ReLU gate = torch.sigmoid(edge) return gate

这里有两个细节容易被忽视。第一，Sobel和Scharr要用L2范数合成梯度幅值，也就是sqrt(gx^2 + gy^2)，比直接取x方向加y方向更符合边缘强度语义。第二，Laplacian的负响应大多数是噪声反冲，我选择用clamp(min=0)截断，这样融合门控会更干净。

2.3 归一化与噪声抑制：这套东西能不能train稳的关键

多算子融合头在训练初期最容易遇到loss震荡，根源是Laplacian放大了高频噪声。我做了三层防护：

1. 对输入图像先做一次高斯模糊，sigma取1.0左右，能滤掉一部分高频抖动，边缘结构损失很小。
2. 对Laplacian响应做一个3x3中值滤波，把孤立噪声点直接滤掉。
3. 三个响应通道分别做percentile归一化，按98%分位数clip后除以该分位数，把数值范围拉到0到1附近。

前两条是规则上的防护，第三条是数值上的防护。跑起来以后训练曲线平稳了很多，AP曲线在中后期不再上蹿下跳。

提示：如果你复现时发现融合权重退化，先去检查三个算子通道的数值范围，再决定要不要加归一化。多数情况下问题不在网络结构，而在数据分布。

3. 三重边缘增强的落地设计：输入域、特征域、监督域

3.1 第一重：像素级边缘注入，让网络“多看一眼”

像素级增强最简单的做法，是把多算子融合得到的一通道边缘响应图和原始RGB图拼接起来，形成4通道输入。这个方案改造成本最低，也可以在DataLoader阶段提前算好缓存。但有个问题：简单的输入拼接相当于把边缘当成一个“可有可无”的额外通道，网络初期对它的利用效率很低，而且输入通道从3变成4，会拖慢数据增强和外围流程。

我在实际项目中改成另一个思路：不直接拼通道，而是把边缘响应图残差加到原始图像上，形成“边缘增强图”，再走原来的3通道输入。等于在预处理阶段做了一次隐式图像增强，而且不用改第一层卷积的参数。实现只有一行：

image_enhanced = image + 0.3 * edge_map.unsqueeze(1)

系数0.3是调出来的经验值。太强会把背景纹理也当成边缘加强，干扰语义特征提取；太弱又看不到效果。

3.2 第二重：特征级引导融合，让网络“真正用上”

像素级增强再强，也只是改输入分布，到了骨干网络深层，边缘信息还是会随感受野扩大而稀释。所以第二重增强放在特征层面。

我在骨干网络的P2（stride=4）和P3（stride=8）两个尺度上各插入一个边缘引导分支。做法是：把当前stage输出的特征图，经过一个轻量化算子融合头得到空间门控图，再用门控图去调制原特征：F_out = F + alpha * (gate * F)。这个操作本质上是一个自适应的空间门控，让网络在每个位置自己决定“该不该强化边缘区域”。

相比直接加一个独立edge分支然后concat，这种门控方式的好处是参数少、不会引入过强的边缘先验，网络对低光照、噪声这类退化的鲁棒性更好。我在消融里发现，如果把gate换成直接相加的边缘图，模型对阴影区域的误检会明显上升。

3.3 第三重：监督级边缘感知损失，让网络“主动学会”

前两重都是单向信息注入，模型不一定真的学到了“边缘很重要”。第三重做法是接一个辅助边缘监督头，用边缘预测和边缘真值计算BCE损失，梯度直接回传到特征精炼模块和骨干网络浅层。

辅助头结构很简单：从P2特征图出发，过一个1x1卷积降维到1通道，再用双线性插值恢复到原图尺寸，与边缘真值做对比。边缘损失权重单独调，我最后稳定在0.1。经验是边缘loss权重不能盲目加大，超过0.2主干特征会被带偏，分类能力反而下降。

注意：辅助边缘监督损失本质上是先验注入，不是主优化目标，权重超过0.2往往得不偿失。

3.4 三重增强的配合关系

这三重增强不是三条并行的流水线，而是一条环。像素级增强让骨干网络从源头就看到结构先验；特征级门控让中浅层特征在提取过程中持续保留边缘响应；监督级损失则从优化目标上强制网络把边缘当回事。少了任何一环，另外两环的效果都会打折。我试过只做第一重和第三重，特征级缺失时模型对细长目标的边界回归依然不够紧，AP@0.75上不去。

4. 特征精炼模块：把边缘真正融进检测头的关键

上一章讲了三重增强的宏观路径，这一章把特征级增强里用到的模块拆开讲清楚。特征精炼模块是整个方案的汇聚点：把多算子边缘检测得到的边缘信息，和骨干网络已有的深度语义特征做一次精细化融合，滤掉无用的背景响应，增强边界高频细节。

4.1 模块结构：门控调制加通道注意力再加残差

模块内部结构不长，但每个组件都有明确目的：

1. 边缘特征先通过1x1卷积扩到和主特征相同的通道数，得到edge_feat。
2. 主特征F与edge_feat逐元素相乘，得到由边缘门控调制的特征。
3. 对调制结果做通道注意力，用global average pooling加两层1x1卷积生成通道权重。
4. 把调制结果和原始F相加，再接一层BN。

注意这里必须带残差。因为边缘分支会引入大量零值门控，如果直接用调制结果替换原特征，某些空间区域的信息会被清零，分类语义就废了。加入残差后，门控只负责“增强该增强的”，不作为主力特征源头。

基础版实现可以直接参考下面这段结构：

class EdgeRefineBlock(nn.Module): def __init__(self, in_channels, out_channels, init_scale=0.1): super().__init__() self.edge_conv = nn.Sequential( nn.Conv2d(3, in_channels, 1), nn.BatchNorm2d(in_channels), nn.ReLU(inplace=True) ) self.gate = nn.Sequential( nn.Conv2d(in_channels * 2, in_channels, 1), nn.Sigmoid() ) self.ca = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(in_channels, in_channels // 4, 1), nn.ReLU(inplace=True), nn.Conv2d(in_channels // 4, in_channels, 1), nn.Sigmoid() ) self.scale = nn.Parameter(torch.tensor(init_scale)) self.out = nn.Sequential( nn.Conv2d(in_channels, out_channels, 3, padding=1), nn.BatchNorm2d(out_channels) ) def forward(self, feat, edge): e = self.edge_conv(edge) g = self.gate(torch.cat([feat, e], dim=1)) modulated = feat + self.scale * g * feat a = self.ca(modulated) refined = modulated * a + feat return self.out(refined)

scale参数初始化为0.1而不是1.0，是我在训练时踩过坑后的调整。初始化太大会让边缘分支在训练初期就直接主导特征，主任务反而学不稳。用0.1作为起点，相当于让模块从“几乎不起作用”的状态逐渐开启学习。

4.2 嵌入位置：为什么放在FPN上采样之后

模块插在哪，效果差别很大。我前期追求“处处增强”，把模块塞满整个neck，结果训练变慢，收益还不到0.2个点。后来收敛到一套划算的部署策略：

• 在top-down路径的每次上采样融合后插入一次特征精炼，重点校准上采样引入的混叠伪影。
• 在bottom-up路径上，只启用P2的边缘精炼，其他层保持原始结构。
• 边缘分支从backbone的P2旁路引入，不和检测head共享同一个输入。

原因是边缘信息主要存在于高分辨率浅层，低层做再多精炼，目标边界也没有足够像素可用。P4/P5的信息已经高度语义化，边缘增强反而变成干扰。实测之后，这种“浅层多用、深层少用”的布置，速度影响最小，精度收益最大。

4.3 特征精炼模块的效果体现在哪里

特征精炼模块对指标最直接的贡献是bbox回归质量。加上它以后，AP@0.75的提升幅度明显高于AP@0.5，也就是说框贴目标更紧、边界回归更准。原因不难理解：边缘响应本身就是边界位置的强先验，精炼模块等于在回归分支前做了一次“边界锚定”，预测框的角点和边缘更容易对准GT。

5. 训练策略与消融实验：涨点到底从哪里来

5.1 实验数据集与评估指标

我验证用的是某私有工业缺陷数据集X，包含三类缺陷：划痕、裂纹、麻点，共2950张训练图、410张测试图，标注为多边形后转成bbox。这套数据的特点是细长目标特别多、目标边界模糊，很适合暴露边缘增强方案的价值。评估指标采用COCO风格的mAP@0.5、mAP@0.75，以及按尺寸分组的AP_small和AP_large。

5.2 分阶段训练与超参数选择

边缘增强模块比普通检测头敏感，直接端到端训练初期loss下降不稳定。我采用分阶段策略：

• 阶段一：冻结backbone和边缘分支，只训练检测头与特征精炼模块，跑5轮，让主任务先建立基本框架。
• 阶段二：解冻全部参数端到端训练，初始学习率1e-3，cosine退火到5e-6，warmup 3个epoch，EMA系数0.9998。
• 阶段三：最后5轮把边缘分支学习率提升到主分支的2倍，专门微调边缘感知能力。

batch size 16，分辨率640x640，共训练40轮。

5.3 消融实验设计与结果解读

按“从基线到全套”的顺序做了四组实验：

从表里能读出三个结论。

第一，边缘增强对AP_small的提升最猛，从47.6涨到53.7，涨了6.1个点。这说明小目标确实是边缘信息的最直接受益者。

第二，特征精炼模块对AP@0.75的贡献比AP@0.5更明显。AP@0.5从78.6到79.8涨了1.2，AP@0.75从55.8到57.3涨了1.5，印证了模块主要改善边界回归质量而不是召回。

第三，三重增强和特征精炼模块之间存在明显的互补关系。两者叠加得到的增益大于各自单独使用的增益之和，说明三重增强提供的边缘信号需要通过特征精炼模块才能更充分地被检测头消化。

小组实验里我还测过单算子替换：只保留Sobel时最终mAP@0.5约76.7，只保留Laplacian时反而掉到75.9。二阶算子在无协同机制时弊大于利，多算子协同确实是在“抵消噪声、互补信息”的基础上才能产生正收益。

6. 实操中踩过的坑和排查方案

6.1 训练震荡：边缘噪声被BN当成了统计特征

第一版端到端训练跑到第三轮，loss震荡明显加剧。排查后定位到两个原因：一是Laplacian对高频噪声太敏感，输入边缘图在BN层产生了漂移的统计量；二是特征级门控图的0/1分布太极端，梯度方差偏大。解决方案就是2.3节写的三层防护：输入高斯模糊、Laplacian中值滤波、percentile归一化。加完这三样之后，训练曲线恢复到和基线一样平滑。

6.2 融合权重退化：某个算子总被学成0

检查多算子融合的1x1卷积权重时发现一个问题：训到后期Sobel通道的权重特别大，Scharr和Laplacian基本被压制到0。问题根源不在融合层，而在输入数值范围：Sobel的梯度幅值整体比Scharr大一个量级。后来我在融合头前面加了一个instance norm，并对每通道做percentile缩放，三者的有效权重才稳定在相近水平。这也解释了为什么协同融合必须和归一化一起做，缺了归一化，所谓“协同”只是表面上的协同。

6.3 推理速度下降：算子在GPU上重复计算太费

边缘检测算子都是3x3卷积，看似轻量，但和输入分辨率直接相关。1080p输入下一次前向要跑三个独立卷积，GPU访存开销变大，实测FPS掉了4到5帧。我的解法是：把三个算子的卷积核拼成一个组合卷积，输入只过一遍，输出通道分别为三算子响应，再走融合1x1卷积。算子部分的计算时间几乎可以忽略。如果对速度要求更苛刻，可以在推理阶段把多算子融合近似成一个统一的3x3可分离卷积，训练完再蒸馏一次，FPS损失可以控制在1帧以内。

6.4 边缘标签不好获取

边缘辅助监督需要真值边缘图。如果数据集有mask标注，直接从mask提取边界最准。如果只有bbox，我在项目里用Canny在归一化原图上提取，再做5x5膨胀加宽边缘线。否则监督信号太稀疏，少量像素的BCE对训练没有意义。需要注意一点：Canny对光照和对比度敏感，同一批图中有些边缘清晰、有些边缘弱，我最后对图像统一做了CLAHE增强，边缘提取质量稳定了很多。

6.5 小目标AP一开始怎么都不涨

前几版方案跑完，AP_small只涨了不到1个点，不符合预期。逐个排查后发现，我把边缘信息只注入到P3和P4，而小目标的主要响应其实集中在P2。当时想当然地认为“边缘是低级特征，留在P3就够了”，但检测头的感受野更大，P2才是小目标边界信息最完整的地方。把P2的旁路分支打开后，AP_small直接跳涨2.4。建议做类似改进的同学，先分析自己项目里的目标尺寸分布，再决定在哪一层做边缘精炼，不要照搬结构。

6.6 边缘损失权重过大导致分类退化

边缘感知辅助损失的权重最开始从0.3起步，结果mAP不升反降。分析下来是辅助分支的梯度频繁回传到骨干浅层，把特征朝“边缘优先”方向拉扯，把分类所需的语义信息挤掉了。逐步下调到0.1之后效果最好，训练后期再对这个权重做0.05衰减，边界回归可以进一步稳定。这条经验对很多加辅助损失的人都适用：辅助监督是“调味”，不是“主菜”。

7. 一些真实的体会

7.1 我在这套方案里最大的几个认知转变

以前我会把边缘默认归为噪声，从结果看，边缘恰恰是“最稳定”的弱特征。在模糊目标上，边缘往往比纹理和颜色都坚持得住，因为它是结构信息，受光照变化的影响相对小。

三重增强的价值不在于某一条分支有多强，而在于让网络感知到了“边缘”这个信息的可信度。你单纯在输入侧叠边缘图，网络学到的只是一个肤色变换；你把边缘放到特征级和监督级一起做，模型才真正把边缘当成一个可依赖的线索。

特征精炼模块看起来很小，但它对AP@0.75的贡献超过了我之前加过的不少注意力模块。这也提醒我，特征融合类改进的价值，不能只看模块复杂度，关键要看它是不是放在了信息最需要被重新组织的位置。

7.2 给想复现的人三个具体建议

第一个建议：先在本地小数据集上复制我的四组消融配置，确认问题到底出在边界回归还是小目标召回，再决定要不要上完整套组件。不同任务的瓶颈不一样，上来就全套叠加有可能浪费算力，也可能掩盖真正的瓶颈。

第二个建议：不要一次性把三重增强全加进去。先从像素级开始，稳定跑通后，再加特征级，最后加监督级。每个阶段多观察训练曲线和验证集指标的变化，哪个阶段收益明显，就说明当前任务最缺的是哪一环。

第三个建议：数据集如果没有mask，边缘真值不要直接用一像素细线，膨胀到7x7左右作为监督才有效。边缘监督本质上是给网络一个“大概的区域提醒”，不需要精确到像素级，过细的监督反而会让模型在训练初期被高频细节带偏。