YOLO 系列:YOLOv10 改进:添加 P2 小目标检测层,提升微小目标召回率

张开发
2026/4/11 18:46:11 15 分钟阅读

分享文章

YOLO 系列:YOLOv10 改进:添加 P2 小目标检测层,提升微小目标召回率
摘要小目标检测一直是YOLO系列的“阿克琉斯之踵”。在VisDrone、UAVDT等航拍数据集中,微小目标(小于8×8像素)的漏检率居高不下。本文深入剖析YOLOv10原有三尺度检测头的结构瓶颈,提出在Backbone与Neck之间嵌入P2小目标检测层,将特征图下采样倍数从8倍降至4倍,使网络能够感知最小4×4像素的微小目标。结合2025年最新学术研究与社区实践,本文将完整呈现P2层的代码实现、训练调优全流程。通过在VisDrone-DET2019数据集上的实测验证,添加P2层后的YOLOv10n模型对微小目标的召回率提升超过16%,整体mAP@0.5提升3.3个百分点。本文还将深入讨论P2层带来的参数量增加与推理速度之间的权衡策略,以及TensorRT/ONNX部署中的优化技巧,为工业级小目标检测应用提供一套可落地的技术方案。一、问题背景:YOLOv10小目标检测的“像素困境”1.1 小目标检测为什么难?在正式进入P2检测层的技术细节之前,我们先来理解一个核心问题:为什么YOLOv10在检测微小目标时会“漏检”?小目标检测(通常定义为像素面积小于32×32的目标)的核心瓶颈可以归结为三点:特征稀缺:微小目标在图像中只占据极少的像素点,可学习的有效

更多文章