做目标检测的人，迟早会遇到这么一类项目：图特别大，目标特别小。你拿着一张四千乘三千的航拍图，里面要找的是十几个像素的车辆或屋顶，直接丢进检测器，要么显存不够跑不起来，要么跑起来了但漏检漏到你怀疑人生。这个时候大多数人第一反应都一样：把图拆开，拆成四份、九份甚至更多，每块单独训练、单独检测，最后再把检测结果拼回原图坐标。
这个思路看起来很朴素，但真正落地的时候，问题比想象中多得多：子图切多大合适？要不要重叠？标注文件怎么跟着转换？检测结果怎么映射回大图？两个子图同时检测到同一个目标时要不要合并？这些细节没有处理好，切块不仅不会带来提升，反而会让检测结果乱成一团。
这篇内容，我就把“大图拆块 + 小目标检测”这条路线从头到尾讲清楚，包括方案设计、切图脚本、标注转换、推理合并、常见坑位，以及什么时候该换用更进阶的做法。这些都是我实际跑过项目之后总结出来的，不绕弯子，直接说重点。
1. 先弄明白：为什么大图里的小目标总是漏检
1.1 小目标到底有多“小”
“小目标”在学术圈有个常用参考口径，COCO数据集里把像素面积小于32×32的目标归为小目标。但实际项目里，这个定义远远不够用。大图场景下的目标往往不是32×32，而是更极端的情况：一张5000×4000的遥感影像，目标可能只有20×20像素，甚至更小。按照“面积占整张图比例”来算，这类目标大概只占全图面积的十万分之一。
落到检测任务里，小目标的核心难点有三层：第一是像素信息少，能用来区分的特征本身就非常有限；第二是经过网络下采样之后，特征进一步丢失，到了高层特征图上可能只剩一两个像素点；第三是正负样本比例悬殊，一张大图里背景区域占绝大多数，模型很容易被背景带偏。
1.2 整图缩放对小目标很不友好
很多人第一个想法是：大图没法直接训练，那就先缩放到模型输入尺寸，比如640×640。这个操作的副作用非常直接。
假设原图是4000×3000，模型输入是640×480，那么缩放比例大约是0.16。原图里一个20×20的目标，缩放后变成大约3×3像素。3×3像素的物体，任何一个检测器都很难区分它到底是目标还是噪点。更不用说网络内部还有多层stride为2的下采样，经过几次池化或卷积步长之后，这个小目标几乎完全从特征图里消失。
这就像你把一张城市地图缩到手机屏幕大小，想找到某条街道上的一个报亭，根本不可能。但如果你把地图裁成四块，分别放大显示，报亭的细节就能看清楚。切块的本质，就是“局部放大”，人眼这种视觉机制放在检测器上同样成立。
1.3 切块到底解决了什么
切块不是玄学，它本质上解决了三个问题。
第一，保留了目标的原始像素分辨率。目标在大图里是20×20，切成子图后依然是20×20，没有因为统一缩放而变小。第二，提高了目标在输入图像中的相对占比。同样一个20×20的目标，放在4000×3000的大图里占比极小，但放在1000×750的子图里就清晰多了。第三，把大图对显存和算力的压力拆散。单张4K图可能根本塞不进显卡，但切出来的小块可以轻松进入模型前向计算。
所以切块方案的核心价值在于：通过空间划分，把“大图+小目标”问题转化成“小图+相对大目标”问题。这个思路本身不难，难的是转化过程中那些数据加工和结果合并的细节。
2. 切块方案的整体设计：先想清楚再动手
2.1 切四块还是切N块
标题里说的是“拆成四个”，这也是最自然的直觉：2×2网格，简单干脆。但真上线前必须想清楚一个问题：切四块之后，子图尺寸是不是仍然远超模型输入尺寸。
举个例子，一块4000×3000的图，切成2×2四份，每份是2000×1500。如果你用的是640×480输入的检测器，子图依然要缩放到640×480，这轮缩放比例是0.32。相比整图缩放的0.16，目标像素从3.2×3.2变成6.4×6.4，确实有提升，但对很多项目来说6.4像素依然不够。这种情况下，切成3×3（每块约1333×1000）或4×4（每块约1000×750）反而更合理，目标在缩放后的尺寸能达到9.6甚至12.8像素，明显更利于检测。
所以我的判断标准很简单：先统计目标在原图中的典型尺寸，再倒推子图尺寸。假设模型输入长边是S，你希望小目标在经过切块和缩放后至少有8到16像素，那么子图长边可以粗略按“S × 目标尺寸 / 期望像素”来估算。实际项目里不需要算得那么精确，但“根据目标大小决定切块数量”这个思路一定要有，而不是无脑四等分。
2.2 子图尺寸和模型输入怎么对齐
子图尺寸不要拍脑袋定，至少要满足两个约束。
第一个约束是模型有最佳输入范围。大多数检测器在某个分辨率区间内效果稳定，比如YOLO系列常用640，Faster RCNN常用800×800或1333×800。子图长边建议控制在模型输入尺寸的1到2倍之间。太大了缩放损失依然严重，太小了又失去了切块的意义。
第二个约束是子图的长宽比不要和模型输入差太多。比如把一张超长全景图切成1×4的长条，每个长条宽度可能只有高度的四分之一，resize进正方形输入时会发生严重形变，或者为了保持比例而大量填充黑边，这两种情况都会损伤检测精度。对于这类图，应该按长宽比灵活调整网格，而不是机械地切成四份。
另外，工程上的经验是：如果原图尺寸只是模型输入的两倍以内，而且目标不算太小，可以先试不切块，直接缩放训练，很多时候也没问题。切块不是越多越好，而是“刚好让目标在输入图上达到可检测尺寸”最好，同时还要尽量保留目标周围的上下文信息。子图太碎，目标周边环境信息丢失，反而会增加误检。
2.3 重叠率是很容易被忽略的参数
完全没有重叠的切块，会带来一个非常具体的问题：目标正好落在切分边界上。比如一个宽40像素的目标横跨两个子图，左半边在块A，右半边在块B，两块里都只有一个残缺的目标，模型很难正确识别。更极端的情况是目标的位置恰好落在四条边界交汇点，四个子图各占一小块，哪边都认不出来。
解决办法就是切块时留重叠区域。重叠率通常取子图尺寸的10%到25%，同时考虑目标最大尺寸，重叠宽度至少覆盖目标最大边的一半以上。我的经验是：普通场景下重叠64到128像素比较稳妥；目标较大的场景，重叠区域要更大。比如目标最大尺寸是100像素，那重叠至少留50到100像素，否则一个目标很可能同时出现在两个子图里，或者在所有子图里都是残缺的。
训练阶段和推理阶段的重叠处理方式稍有不同。训练时，建议一个目标的标签只分配给目标中心点所在的子图，避免同一个目标在多个子图里被重复学习；推理时则不同，所有子图都正常检测，重叠区域里的同一个目标可能被多个子图同时检出来，这时候靠后处理NMS去合并。
3. 完整实操：从切图到合并检测结果
3.1 一次讲清切图脚本
我这里按最常见的YOLO格式来演示切图流程，因为目前工程里YOLO系列的普及率最高。假设每张原图对应一个同名的txt标签文件，每行是“类别 cx cy w h”，坐标都是相对于原图宽高的归一化值。
切图脚本的核心逻辑如下：确定网格行列数、重叠像素，然后遍历每个网格位置，用OpenCV切出子图，同时把落在该子图内的目标标签一并转换写入新文件。
import cv2 import os import numpy as np def slice_image(img_path, label_path, out_img_dir, out_label_dir, grid_rows=2, grid_cols=2, overlap=64): img = cv2.imread(img_path) H, W = img.shape[:2] # 计算步长，最后一行/列做边界对齐 step_h = max(1, (H - overlap) // grid_rows) step_w = max(1, (W - overlap) // grid_cols) # 读取标签 boxes = [] with open(label_path, 'r') as f: for line in f.readlines(): parts = line.strip().split() cls = int(parts[0]) cx, cy, w, h = map(float, parts[1:]) # 转成绝对像素坐标 x1 = (cx - w / 2) * W y1 = (cy - h / 2) * H x2 = (cx + w / 2) * W y2 = (cy + h / 2) * H boxes.append([cls, x1, y1, x2, y2]) for r in range(grid_rows): for c in range(grid_cols): y1 = int(r * step_h) x1 = int(c * step_w) y2 = min(y1 + step_h + overlap, H) x2 = min(x1 + step_w + overlap, W) # 边界块向左上对齐，保证大小基本一致 y1 = max(0, y2 - (step_h + overlap)) x1 = max(0, x2 - (step_w + overlap)) sub_img = img[y1:y2, x1:x2] sub_h, sub_w = sub_img.shape[:2] # 保存子图 base_name = f"{os.path.splitext(os.path.basename(img_path))[0]}_{r}_{c}" cv2.imwrite(os.path.join(out_img_dir, base_name + ".jpg"), sub_img) # 过滤落在当前子图内的目标 new_lines = [] for cls, bx1, by1, bx2, by2 in boxes: # 中心点是否在该子图内 bcx = (bx1 + bx2) / 2 bcy = (by1 + by2) / 2 if x1 <= bcx < x2 and y1 <= bcy < y2: # 裁剪到子图范围内 nx1 = (bx1 - x1) / sub_w ny1 = (by1 - y1) / sub_h nx2 = (bx2 - x1) / sub_w ny2 = (by2 - y1) / sub_h nx1 = min(max(nx1, 0), 1) ny1 = min(max(ny1, 0), 1) nx2 = min(max(nx2, 0), 1) ny2 = min(max(ny2, 0), 1) ncx = (nx1 + nx2) / 2 ncy = (ny1 + ny2) / 2 nw = nx2 - nx1 nh = ny2 - ny1 new_lines.append(f"{cls} {ncx:.6f} {ncy:.6f} {nw:.6f} {nh:.6f}") with open(os.path.join(out_label_dir, base_name + ".txt"), 'w') as f: f.write("\n".join(new_lines))上面代码里最关键的一步，是“目标中心点在该子图内”这个条件。中心点落在哪个块，就把目标完整分配给那个块。这样能避免同一个目标被多个子图重复学习，也能保证至少有一个子图包含完整目标。当然，如果你的场景里目标特别密集，每个目标都可能跨多个块，也可以按“与子图的交并比大于阈值”来分配，但那种情况下标签信息会出现冗余，需要更小心的后处理。
3.2 标注转换：千万别算错
标注转换是切块里最容易出错的一步，坐标算错会导致检测框偏移、尺寸异常，甚至模型训练直接崩掉。出错的原因几乎都是“归一化坐标”和“绝对像素坐标”混用。
转换逻辑其实很清晰。第一步，把原图标签里的归一化坐标还原成原图上的绝对像素坐标；第二步，判断目标中心是否落在当前子图内；第三步，把绝对像素坐标减去子图的左上角偏移量，变成子图内的绝对坐标；第四步，再除以子图的宽高，转成子图内的归一化坐标。
举个例子：原图宽4000，一个目标的中心cx是0.5，那么原图上绝对中心x是2000。如果子图左上角x偏移是1000，子图宽是2000，那么该目标在子图内的归一化cx就是(2000-1000)/2000 = 0.5。这个数看起来好像没变，但如果你忘了减偏移量，直接拿2000除以2000，就会得到1.0，检测框被硬生生推算到子图最右边，位置就错了。
切图完成之后，我强烈建议做一次可视化校验。用脚本把转换后的标签画到子图上，人工抽查几十张，看看框和目标是否对齐。这一步花不了几分钟，但能避免你在训练了好几天之后才发现数据有问题。我见过太多项目，模型效果起不来，最后查了半天原因就是标签坐标映射错了一个偏移量。
3.3 训练阶段的配置调整
切块完成后，训练数据集的大小会变成原来的N倍（切N块就近似N倍）。这种情况下有几个参数需要调整。
首先是迭代轮次。数据量翻了几倍，如果还保持原来的epoch数，训练步数会大增。一般可以适当降低epoch，或者用步数来控制训练长度。其次是学习率，数据量变大后，一个epoch内的step数量也变多了，学习率调度策略要跟着调整，尤其是余弦退火的周期。
更重要的是，切块后的子图可能有很多完全没有目标。这些空块需要处理策略。如果全部保留，负样本比例会严重失衡，模型容易偏向“什么都检测不到”。我的做法是：过滤掉大部分空块，但保留一小部分（比如总量的10%到20%）作为难负例，尤其在推理阶段会检测全图的场景下，保留一定空块能让模型学会抑制背景区域的误检。
还有一个很容易踩的坑是数据增强的适配。常规的随机裁剪增强在切块场景下要小心，因为子图本身已经很小，再随机裁剪可能把唯一的目标裁掉。我建议优先使用翻转、旋转、色彩扰动、马赛克增强，裁剪类增强要克制，或者使用带目标约束的裁剪。
3.4 推理阶段：坐标映射与NMS合并
推理时先对测试大图做和训练时完全相同的切块处理：相同网格数、相同重叠率、相同子图尺寸。然后对每块子图单独做检测，拿到检测结果后，把所有框映射回原图坐标。
假设模型在子图上输出的归一化框为(cx, cy, w, h)，子图左上角在原图中的坐标是(off_x, off_y)，子图宽高是(sub_w, sub_h)，原图宽高是(orig_w, orig_h)，那么映射公式如下：
def map_box_to_original(cx, cy, w, h, off_x, off_y, sub_w, sub_h, orig_w, orig_h): abs_cx = cx * sub_w + off_x abs_cy = cy * sub_h + off_y abs_w = w * sub_w abs_h = h * sub_h orig_cx = abs_cx / orig_w orig_cy = abs_cy / orig_h orig_w_ratio = abs_w / orig_w orig_h_ratio = abs_h / orig_h return orig_cx, orig_cy, orig_w_ratio, orig_h_ratio映射完之后，所有子图的框都到了同一张原图坐标系里，这时候需要做全局NMS。因为重叠区域的存在，同一个目标可能被相邻两个子图各检测一次，产生两个高度重叠的框。NMS的作用就是保留置信度更高的框，抑制重复框。
NMS要注意两点：一是按类别做，不同类别的框不要互相抑制；二是建议加一个比较温和的IOU阈值，比如0.5到0.6。如果场景里目标本身密集，阈值可以放宽到0.4，避免把相邻的不同目标误合并。
实际项目里还有一种特殊情况：目标在切分边界上，中心点所在的子图检测出了完整框，但隔壁子图由于看到了残缺目标，也可能输出一个位置偏移的半截框。这两个框的IOU不一定很高，普通NMS可能合并不掉。遇到这种情况，可以先检查重叠率是否足够，如果问题频繁出现，可以考虑放宽合并条件，比如对同一类别且中心距离小于某个像素阈值的框做合并处理。
4. 常见问题与避坑实录
4.1 检测框位置偏移、尺寸不对
这类问题十有八九出在标注转换或推理映射环节。最常见的错误包括：减偏移量时减错方向、归一化时除以了原图尺寸而不是子图尺寸、推理映射时忘了加上子图偏移。
排查方法很简单：写一个可视化脚本，把检测结果画在原图上，对着问题图看。如果所有框都偏移到右上方向，那基本是偏移量计算错误；如果框的宽高整体偏大或偏小，那多半是缩放系数弄混了。我自己的习惯是：每次改完切图或推理脚本，先跑一张图，把“子图检测框”和“原图映射框”同时画出来核对一遍，确认无误再批量跑。
4.2 目标被切到边界，漏检或重复
如果训练后模型对跨边界目标的检测效果明显偏差，先检查切图重叠率。没有重叠或重叠太少，跨边界目标就会变成“两边都只剩一半”的残缺样本。增大重叠率，让任何目标至少完整出现在一个子图里，是最直接的解决办法。
重复检测的处理主要靠NMS，但如果发现同一目标稳定地被输出两个不完全重叠的框，说明目标经常横跨多个子图并且多个子图都检测到了。这时可以回到标签分配逻辑，检查训练时是否也应该采用“每个目标只分配给中心点所在块”的策略。另外，对边界框的置信度做位置补偿也是一种思路，给距离子图中心越近的框越高的置信度权重，但这会引入额外超参数，一般不作为首选。
4.3 空块太多导致训练失衡
大图场景通常目标稀疏，切块后一半以上的子图可能都是空块。把空块全部喂进训练集，会导致模型训练时大部分时间都在看背景，整体收敛变慢，甚至可能出现“全部输出零检测框”的退化结果。
我的建议是：先统计块内目标数量，保留所有含目标的正样本块；对于空块，随机保留一部分，数量控制在正样本块数量的三分之一以内。如果任务本身误检率要求很高，可以适当多留；如果更看重召回率，可以少留甚至不留。这个比例需要根据验证集的实际表现微调。
4.4 训练时间、显存与I/O成本
切块后数据量膨胀，训练I/O会成为新的瓶颈。几千张原图切成几万个子图，如果每次都从磁盘随机读小文件，训练速度会慢得让人崩溃。
可行的方案有两个。第一个是离线切图，把切好的子图直接保存到本地，再配合数据加载器做缓存或预取，简单直接，缺点是占用磁盘空间。第二个是在线切图，在数据加载阶段动态从原图切块，优点是灵活，可以随机调整切块偏移来增加数据多样性，缺点是每次训练都可能重复计算，需要做好缓存。显存方面，切块后的子图尺寸变小，单张进入显存基本没问题，瓶颈反而转移到了数据读取和增强的CPU占用上，建议加大num_workers，或者用内存映射方式读取大图。
5. 什么时候切块不够用：进阶扩展思路
5.1 推理时切片也是一条路
训练时切块是最稳的方案，但不是唯一的选择。还有一种做法是训练时整图训练，推理时再把大图切片分别检测，业内叫SAHI（切片辅助推理），已经有现成的开源库可以快速实验。
训练时切片的好处是让模型在训练阶段就适应小图视角；推理时切片的好处是训练数据可以保持原始上下文，模型看到的目标更完整。实际操作中，前者通常更稳，因为训练和推理的数据分布一致，不容易出现尺度不一致导致的性能下降。如果你暂时不想改动训练流程，直接拿SAHI在测试阶段做切片推理，也是一个低成本验证方案。
5.2 切块、多尺度与高分辨率特征层互补
切块本质上是数据层面的尺度放大，它和多尺度训练、特征金字塔这些策略并不冲突，可以组合使用。
多尺度训练能增加模型对目标尺寸变化的鲁棒性，但不会解决“目标在输入图上只有3个像素”的根本问题。切块先解决了这个底层问题，多尺度再在子图基础上去增强多样性，两者配合效果更好。另外，很多检测器的特征金字塔默认从P3层开始，小目标特征到了P3已经损失不少，可以考虑使用带P2层的检测头，让高分辨率特征图直接参与到小目标预测。这类改进在切块方案之后通常还能带来几个点的提升。
5.3 超分重建与切块结合
如果目标实在太小，切块加放大之后仍然不够识别，可以考虑对局部区域做超分辨率重建，先放大再检测。比如先通过一个快速筛选器找到可能包含目标的子图区域，对这些区域做超分，再进入精细检测器。
这个方案的代价是推理链路变长、耗时增加，适合离线处理或对召回率要求极高但对实时性要求不高的场景。我尝试过在部分遥感项目里用这个组合，小目标的召回率确实有提升，但速度会慢好几倍，是否值得需要根据业务具体权衡。
5.4 部署阶段的性能注意点
切块方案上线部署时，计算量会变成原来的N倍，这是一个经常被忽略的成本。比如4张子图，推理次数就是原来的4倍，如果再叠加多尺度或TTA，计算量可能膨胀到十几倍。
部署时可以做两件事优化：第一，重叠区域的卷积特征可以缓存复用，但通常实现复杂，收益不一定明显；第二，多个子图可以放到同一个batch里并行推理，比逐张推理更高效。另外，前后处理的逻辑要封装成独立模块，输入一张大图，输出完整坐标的检测结果，对上层应用屏蔽切块细节，这样后续切换算法或调整切块参数时不会影响业务流程。
最后几句实在话
切块训练不是银弹，但在大图小目标场景里，它确实是性价比最高、最容易落地的一步。我做过的一个遥感影像检测项目，目标像素只有二三十像素，原图四千多像素宽，最初直接缩放训练，mAP惨不忍睹，后来改成切块加重叠，什么网络结构都没动，mAP直接涨了十几个点。这个提升几乎全部来自数据预处理层面的尺度还原。
如果你正准备上手这类项目，我的建议是：动手前先花半天统计目标尺寸和分布，想清楚切多少块、子图多大、重叠多少；切完图做好可视化校验，确认标签没有出错；训练和推理的切块参数保持一致，后处理NMS别偷懒。这几件事做扎实了，大图小目标的检测基本就成功了一大半。
