078、YOLOv11改进-高分辨率特征层引入与Neck上采样倍率调整的小目标优化——适配微小目标检测的即插即用架构涨点3.5%从一次深夜调试说起上个月接了个无人机航拍检测的项目，目标小到什么程度？32x32像素的车辆在1080p图像里占不到千分之一面积。YOLOv11跑下来，mAP@0.5:0.95只有可怜的18.7%，小目标召回率更是惨不忍睹。盯着TensorBoard里那些几乎全是背景的loss曲线，我意识到问题出在特征金字塔上——YOLOv11默认的P3-P5特征层对微小目标来说太粗糙了，下采样32倍后，一个8x8像素的目标在特征图上只剩一个点，连语义信息都丢了。这种场景下，常规的FPN结构就像用渔网捞芝麻——网眼太大，小目标全漏了。今天要聊的改进方案，核心思路就两条：把高分辨率特征层引入Neck，同时调整上采样倍率让特征图尺寸更匹配小目标的尺度。这套方案在我们的测试集上直接涨了3.5个点，关键是不改模型主干，即插即用。高分辨率特征层：为什么P2层是救命稻草YOLOv11的Backbone默认输出P3、P4、P5三层特征，对应的下采样倍率分别是8、16、32。对于微小目标检测，P3层（8倍下采样）已经是能用的最高分辨率特征了，但仔细算一笔账：输入640x640的图像，P3层特征图尺寸是80x80，一个16x16像素的小目标在特征图上只占2x2个格子。这2x2个格子要同时承载位置信息和语义信息，还要跟周围背景做区分，难度可想而知。解决方案其实很直接——把Backbone的P2层（4倍下采样）也拉进Neck。P2层的特征图
078、YOLOv11改进-高分辨率特征层引入与Neck上采样倍率调整的小目标优化——适配微小目标检测的即插即用架构涨点3.5%从一次深夜调试说起上个月接了个无人机航拍检测的项目，目标小到什么程度？32x32像素的车辆在1080p图像里占不到千分之一面积。YOLOv11跑下来，mAP@0.5:0.95只有可怜的18.7%，小目标召回率更是惨不忍睹。盯着TensorBoard里那些几乎全是背景的loss曲线，我意识到问题出在特征金字塔上——YOLOv11默认的P3-P5特征层对微小目标来说太粗糙了，下采样32倍后，一个8x8像素的目标在特征图上只剩一个点，连语义信息都丢了。这种场景下，常规的FPN结构就像用渔网捞芝麻——网眼太大，小目标全漏了。今天要聊的改进方案，核心思路就两条：把高分辨率特征层引入Neck，同时调整上采样倍率让特征图尺寸更匹配小目标的尺度。这套方案在我们的测试集上直接涨了3.5个点，关键是不改模型主干，即插即用。高分辨率特征层：为什么P2层是救命稻草YOLOv11的Backbone默认输出P3、P4、P5三层特征，对应的下采样倍率分别是8、16、32。对于微小目标检测，P3层（8倍下采样）已经是能用的最高分辨率特征了，但仔细算一笔账：输入640x640的图像，P3层特征图尺寸是80x80，一个16x16像素的小目标在特征图上只占2x2个格子。这2x2个格子要同时承载位置信息和语义信息，还要跟周围背景做区分，难度可想而知。解决方案其实很直接——把Backbone的P2层（4倍下采样）也拉进Neck。P2层的特征图
)
