从“作废”到“登顶”：一次 YOLO 检测器选型实验的完整复盘

从“作废”到“登顶”：一次 YOLO 检测器选型实验的完整复盘

项目：无人机道路车辆流量统计系统（PRD v1.1） | 实验：检测器选型（FR-3 / O-4） 日期：2026-11-04 | 硬件：RTX 4060（8GB） | 环境：torch 2.0.1+cu118、CUDA 11.8、ultralytics 8.3.161 → 8.4.202 配套数据：eval_results_rerun/summary.csv · 技术报告：eval_results_rerun/eval_report_rerun.md

TL;DR

在 mini_test 7 个切片上用 COCO 预训练权重做零样本评测，第一轮（ultralytics 8.3.161）yolo26m 输出异常被作废、yolov10m 综合最优；升级到 8.4.202 重跑后剧情反转：yolo26m 恢复正常并在 6/7 切片登顶（7 切片均值 mAP50-95 = 0.149，比第二名高 30%），而 v10m 的“最优”结论被证明部分建立在旧版解码行为和小样本噪声上。最终候选收敛为 yolov8m（生态保底）+ yolo26m（精度冲刺）。

---

1. 背景：一次“选模型”的小实验

项目的检测模块（PRD FR-3）要求：主线选一个生态成熟、易导出的 YOLO 实现，另选一个版本做小规模对照，最终在第 2 周前定版（开放问题 O-4）。数据特点很鲜明：无人机航拍、俯视小目标占比高、峰值 ~100 辆/帧、巡飞相机运动是常态。

候选池定在四个同规模（m 档）模型：yolov8m、yolov10m、yolo11m、yolo26m——前三个是“老朋友”，yolo26m 是 2026 年初发布的新一代（NMS-free、无 DFL、专为小目标设计的 STAL 标签分配）。

实验设计很简单也很克制：

项	设置
测试集	mini_test 7 子集：all/day/foggy/night/oblique/side/top_bottom，262 张图（子集间有重叠），5119 个 GT 框
类别口径	只评 car/truck/bus（COCO 映射 2/7/5）；car 占 98.5%，是主信号
推理设置	imgsz=1280、conf=0.001、NMS IoU=0.7、FP16、batch=1
指标	自研 COCO 风格：mAP50/75/50-95、AP small/medium/large、P/R/F1、混淆矩阵（PRD FR-3 要求 mAP50-95、Recall、APsmall）

为什么用预训练权重直接测而不是先微调？ 因为选型阶段要的是“零成本排除短板”：预训练零样本下的相对排名 + 问题诊断（哪个模型在本域彻底失灵、哪类目标检不出），足以把 4 选 1 收敛到 2 选 1，剩下的交给微调后复评。

2. 第一轮：yolo26m 的“灵异事件”

第一轮跑在 ultralytics 8.3.161 上，结果很诡异：

证据	yolo26m	其他三模型
all 子集输出框数	1531	10825–14011
day 子集输出 car 框	0 个	107–160
night 子集输出框	3 个	780–1501
maxF1 对应置信度	0.0010	0.011–0.028
Recall@0.25 (all)	0.0002	0.110–0.151

置信度被整体压缩到 0.001 量级、输出框少一个数量级、图像间剧烈波动（night 仅 2 个 car 框 + 1 个 TP 制造出 AP50=1.0 的假象）。结论是：8.3.161 能加载 yolo26m 权重，但后处理/置信度机制不兼容，其全部指标不可信，作废处理。

剩下三个正常模型里，yolov10m 看起来综合最优（7 切片均值 mAP50-95 = 0.158 vs v8m 0.101 / v11m 0.105），尤其在 day（0.254）和 top_bottom（0.285）切片上有 2–3 倍优势。当时的候选对建议是 v8m + v10m。

3. 假设与复跑：升级 ultralytics

“yolo26m 作废”这个结论一直让我不舒服——它论文里的 STAL（Small-Target-Aware Label Assignment）明明是为本项目这类“俯视小目标”场景设计的，不该烂成这样。最合理的假设是版本兼容性问题，而不是模型本身差。

于是做了最小改动复跑：只把 ultralytics 从 8.3.161 升到 8.4.202，其余设置完全不动。

4. 重跑结果：剧情反转

4.1 yolo26m 复活，而且全面登顶

升级后 yolo26m 输出恢复正常（输出框 1531 → 15057），然后直接统治了榜单——7 个切片里 6 个第一，唯一不是第一的 night 与 v8m 打平：

模型	all	day	foggy	night	oblique	side	top_bottom	均值
yolo26m	0.159	0.122	0.171	0.070	0.131	0.196	0.191	0.149
yolov10m	0.110	0.083	0.118	0.068	0.114	0.127	0.187	0.115
yolo11m	0.113	0.084	0.124	0.019	0.104	0.131	0.158	0.105
yolov8m	0.112	0.049	0.122	0.071	0.116	0.130	0.109	0.101

（表内为 mAP50-95）

更关键的是几个业务导向的指标：

指标（all 子集）	v8m	v10m	v11m	yolo26m
Recall@0.25	0.151	0.128	0.110	0.253
maxF1（@conf）	0.445（0.022）	0.460（0.023）	0.439（0.011）	0.522（0.052）
AP_small	0.091	0.092	0.088	0.116
car AP50	0.516	0.536	0.526	0.593
推理耗时（1280/FP16）	19.3ms	20.3ms	18.9ms	18.9ms

三点值得单独说：

1. Recall 是计数业务的命门。PRD 的计数验收线是漏计率 ≤10%，检测 Recall 是它的上界。yolo26m 的 0.253 是第二名的 1.7 倍——同样是零样本预训练，它多找回了一倍的车辆。
2. 小目标真的变好了。AP_small 0.116 vs 其余 ≤0.092，和 STAL 的设计意图对上了：极小目标在特征图上原本可能“无锚点可分配”，STAL 就是修这个的。理论宣称和实测方向一致，这是这次实验最舒服的部分。
3. 精度领先没有付速度税。yolo26m 推理 18.9ms，与最快的 yolo11m 持平；四模型端到端单帧 21–25ms，离 NFR-1 的 p95 ≤ 150ms 差了近一个数量级，都达标。

代价也有：yolo26m 的 precision 略低（0.882 vs 其余 0.93+），会放出更多低置信误检——这对下游跟踪计数是干扰源，需要在跟踪侧消化，这是它上主线前的一道 gate。

4.2 v10m 的“最优”结论被推翻

重跑里最值得复盘的是 yolov10m：它的数字在两轮之间漂移了，而 v8m/v11m 几乎逐位不变：

切片	v10m（8.3.161）	v10m（8.4.202）
all	0.119	0.110
day	0.254	0.083
top_bottom	0.285	0.187

这说明上一轮 v10m 的领先（尤其 day/top_bottom 的 2–3 倍优势）很大程度来自旧版端到端解码行为 + 小样本（17/27 张图）的排序噪声，而不是模型本身的稳健优势。教训很直接：端到端（NMS-free）模型的解码对推理框架版本敏感，跨版本结论必须复跑验证。

4.3 稳定不变的发现

• v8m 和 v11m 跨版本几乎逐位一致（all：0.1123→0.1123 / 0.1131→0.1129），说明传统 NMS 链路很稳，跨轮可比。
• yolo11m 夜间连续两轮崩塌（night mAP50-95 = 0.019，TP = 0），升级救不了它。
• day 切片全员“名义失败”：17 张图 90 GT，四个模型都只有 1 个 TP（Recall≈0.011）——AP 的差异纯粹是置信度排序噪声，这个切片不能作为任何选型依据，需要 per-image 诊断。
• truck/bus 基本检不出：GT 太少（48/27），TP 接近 0，任何模型都救不了——是数据问题（类别不平衡）而非模型问题，建议合并为 vehicle 或补标注。
• night 是全局最短板：最好成绩也只有 0.071，微调后必须单独切片复评（对应 PRD DR-5 困难切片）。

5. 结论：选型如何收敛

1. 候选对：yolov8m（生态保底）+ yolo26m（精度冲刺）。
2. v8m：生态最成熟、导出链最稳、night 最稳之一、Recall 第二——扛 FR-3“主线选生态成熟易导出”这条底线；
3. yolo26m：本域精度显著领先、NMS-free、速度零代价——微调后冲精度上限的首选。
4. v10m 降级为 NMS-free 部署对照备选（它跨版本漂移的表现不够格当主线）。
5. v11m 降为观察项：速度优势只有 ~8%，换不来夜间崩溃的容错。
6. 最终定版仍按 PRD O-4：fine-tune 后复评（候选对 × 7 切片）。yolo26m 上主线前过两道 gate：
7. ① ONNX / TensorRT 导出与 INT8 校准验证（FR-9 部署链）；
8. ② 与 BoT-SORT 跟踪/计数的联调（低置信 FP 是否影响计数精度）。

6. 踩坑清单（写给自己，也写给读者）

1. 先怀疑工具链，再怀疑模型。yolo26m 第一轮那个“灾难级”表现，根因是推理框架版本，不是模型。遇到“某个模型烂得离谱”，先查它是不是被错误地加载/解码了。
2. 小切片排名的含金量很低。day 只有 17 张图 90 个框，AP 排名完全被 1 个 TP 的置信度排序左右。结论要以大切片（all 5119 GT / foggy 4223）为准。
3. 跨版本复跑是廉价保险。一次重跑推翻了一个“最优”结论——如果直接按第一轮结果定主线，后续微调、导出的时间都会花在错误的方向上。
4. 锁定版本号写进报告。v10m 的漂移是版本敏感性的活教材，所以实验记录里明确写“后续统一锁定 ultralytics 8.4.202”，呼应 PRD 的可复现性要求（NFR-5）。
5. 零样本置信度不能信默认值。预训练模型在本域数据上信心普遍偏低（maxF1 工作点 0.011–0.052）：v8/v10/v11 直接用 conf=0.25 会漏掉约九成目标；临时做跟踪计数 demo 时要把 conf 降到 0.02–0.05 并按 maxF1 标定。
6. Recall 优先于 mAP。对“数车”这类下游任务，漏计率 ≤10% 的验收线意味着检测阶段应该盯 Recall 而不是平均精度——选型排序也要按这个权重来。

7. 下一步

• 按 {yolov8m, yolo26m, yolov10m} × 自有数据 fine-tune × 7 切片跑复评矩阵；
• day 切片 per-image 诊断（四模型全 1 TP 太反常）；night 专项评测；
• truck/bus 类别处理方案（合并 vehicle / 补标注）；
• yolo26m 的 ONNX/TensorRT 导出与 INT8 小实验（FR-9 的第一块试金石）。

---

本文所有数据来自工作区内实验产物，原始文件：eval_results_rerun/、上一轮 eval_results/。实验口径与 PRD FR-3/DR-3、§9 对齐。