04 解耦头+动态标签分配：让YOLOv11在小目标检测上怒提3个点开篇故事：智慧交通项目里的“漏检噩梦”去年我接手一个智慧交通项目，要在高清监控画面里检测路口的行人、自行车和摩托车。YOLOv11的官方模型跑出来，大卡车、公交车检测得稳稳当当，可一到远处的小目标——比如50米外的一个行人、一辆共享单车——mAP直接掉到0.45。甲方产品经理盯着漏检的截图，问我：“你不是说YOLOv11很强吗？怎么连个人都认不出来？”我翻看训练日志，发现损失函数一直在震荡，尤其是分类损失和回归损失之间互相“打架”。后来我意识到：YOLOv11默认的耦合检测头，把分类和回归任务绑在一起，导致小目标特征被大目标“挤压”了。这就好比让一个厨师同时切菜和炒菜，手忙脚乱，两样都做不好。痛点拆解：耦合头的“三宗罪”1. 任务冲突：分类和回归抢资源YOLOv11的检测头里，分类分支和回归分支共享同一组卷积层。假设你有一个小目标（比如远处行人）和一个大目标（近处卡车）同时出现，模型会优先学习大目标的形状特征，小目标的回归任务被“淹没”在梯度里。2. 标签分配僵化：小目标“无人认领”默认的标签分配策略（比如YOLOv5的跨网格匹配）对大目标友好，但对小目标来说，正样本数量太少。一个10×10像素的行人，可能只有1个锚点能匹配上，而一个200×200的卡车有5个锚点。小目标在训练时几乎“被遗
04 解耦头+动态标签分配：让YOLOv11在小目标检测上怒提3个点开篇故事：智慧交通项目里的“漏检噩梦”去年我接手一个智慧交通项目，要在高清监控画面里检测路口的行人、自行车和摩托车。YOLOv11的官方模型跑出来，大卡车、公交车检测得稳稳当当，可一到远处的小目标——比如50米外的一个行人、一辆共享单车——mAP直接掉到0.45。甲方产品经理盯着漏检的截图，问我：“你不是说YOLOv11很强吗？怎么连个人都认不出来？”我翻看训练日志，发现损失函数一直在震荡，尤其是分类损失和回归损失之间互相“打架”。后来我意识到：YOLOv11默认的耦合检测头，把分类和回归任务绑在一起，导致小目标特征被大目标“挤压”了。这就好比让一个厨师同时切菜和炒菜，手忙脚乱，两样都做不好。痛点拆解：耦合头的“三宗罪”1. 任务冲突：分类和回归抢资源YOLOv11的检测头里，分类分支和回归分支共享同一组卷积层。假设你有一个小目标（比如远处行人）和一个大目标（近处卡车）同时出现，模型会优先学习大目标的形状特征，小目标的回归任务被“淹没”在梯度里。2. 标签分配僵化：小目标“无人认领”默认的标签分配策略（比如YOLOv5的跨网格匹配）对大目标友好，但对小目标来说，正样本数量太少。一个10×10像素的行人，可能只有1个锚点能匹配上，而一个200×200的卡车有5个锚点。小目标在训练时几乎“被遗
