093、YOLOv11改进-医学影像病灶检测中的小目标召回率提升——结合Focaler-IoU与高分辨率特征层的即插即用方案，病灶AP提升6.0%一、被小目标逼疯的那个深夜去年做肺结节检测项目，模型在5mm以下微小结节上的召回率惨不忍睹。调了三天anchor size、试了各种数据增强，AP卡在0.42纹丝不动。最崩溃的是可视化时发现——模型对直径小于10像素的病灶几乎完全失明。后来翻看YOLOv11的Neck结构，发现P5特征层（对应小目标）的通道数只有128，而大目标P3层却有256。这种设计天然对小目标不友好。二、问题拆解：小目标为什么难搞医学影像病灶检测有两个核心痛点：痛点1：IoU计算对小目标过于严苛标准IoU对位置偏差极度敏感。一个10x10的病灶，预测框偏移3个像素，IoU直接掉到0.4以下。而同样偏移量在100x100的大目标上，IoU还能维持在0.85。这意味着小目标在训练时很难获得正样本标签，梯度信号弱得像蚊子叫。痛点2：高分辨率特征被浪费YOLOv11的P5层（对应小目标）虽然分辨率高，但语义信息不足。而P3层语义丰富却分辨率低。模型在Neck中做特征融合时，小目标信息在传递过程中被大目标特征淹没。三、Focaler-IoU：给IoU加上放大镜Focaler-IoU的核心思想很简单：对低IoU区域施加更大的梯度
093、YOLOv11改进-医学影像病灶检测中的小目标召回率提升——结合Focaler-IoU与高分辨率特征层的即插即用方案，病灶AP提升6.0%一、被小目标逼疯的那个深夜去年做肺结节检测项目，模型在5mm以下微小结节上的召回率惨不忍睹。调了三天anchor size、试了各种数据增强，AP卡在0.42纹丝不动。最崩溃的是可视化时发现——模型对直径小于10像素的病灶几乎完全失明。后来翻看YOLOv11的Neck结构，发现P5特征层（对应小目标）的通道数只有128，而大目标P3层却有256。这种设计天然对小目标不友好。二、问题拆解：小目标为什么难搞医学影像病灶检测有两个核心痛点：痛点1：IoU计算对小目标过于严苛标准IoU对位置偏差极度敏感。一个10x10的病灶，预测框偏移3个像素，IoU直接掉到0.4以下。而同样偏移量在100x100的大目标上，IoU还能维持在0.85。这意味着小目标在训练时很难获得正样本标签，梯度信号弱得像蚊子叫。痛点2：高分辨率特征被浪费YOLOv11的P5层（对应小目标）虽然分辨率高，但语义信息不足。而P3层语义丰富却分辨率低。模型在Neck中做特征融合时，小目标信息在传递过程中被大目标特征淹没。三、Focaler-IoU：给IoU加上放大镜Focaler-IoU的核心思想很简单：对低IoU区域施加更大的梯度
![【Bug已解决】[modular] ensure branch-specific input defaults 解决方案](http://pic.xiahunao.cn/yaotu/【Bug已解决】[modular] ensure branch-specific input defaults 解决方案)
