目标检测中高分辨率小目标检测训练总结

目标检测中高分辨率小目标检测训练总结

核心原则

训练时目标有多少像素，推理时尽量保持目标像素接近。

模型学习的是目标的像素特征，而不是现实中的实际大小。

例如：

训练：
1024×1024
虫子：40×40 pixel

推理：
1024×1024
虫子：38×38 pixel

效果通常最好。

而不是：

训练：
虫子：40×40 pixel

推理：
6000×4000
↓
缩放到640
↓
虫子：4×4 pixel

这样容易导致小目标漏检。

切图

切图的目的不是为了减小图片，而是为了保持目标的像素大小，并且方便训练。
注意：对于高分辨率图 + 小目标检测，先划分 train/val/test，再对各自的数据进行切图。

切图的真正作用：

主要收益：

• 保持目标尺度（最重要）
• 提高小目标检测效果
• 保持训练与推理一致

附带收益：

• 显存占用下降
• Batch 可以更大
• GPU 利用率更高
• 训练速度更快

推荐训练流程

高分辨率原图
        │
        ▼
切图（1024×1024 或 1536×1536）
        │
        ▼
同步切分 Label
        │
        ▼
YOLO 训练（imgsz≈切图尺寸）

一句话总结

切图不是为了减小图片，而是为了让训练和推理时目标保持相近的像素大小，从而提升高分辨率小目标检测效果。