151、YOLOv8改进实战：基于SAHI切片辅助推理的小目标检测优化与代码实现
一个让我熬夜三天的bug
去年做无人机航拍检测项目，模型在VisDrone上mAP能到52，一换到自己的航拍数据集直接掉到31。排查了三天，不是过拟合，不是标注问题，最后发现是目标太小——640×640的输入图上，一辆车才8×12像素，特征图下采样到20×20的时候，这辆车连一个格子都占不满。这就是小目标检测最典型的困境：特征图分辨率不够，目标信息在多次下采样中丢失了。
后来在GitHub上翻到SAHI（Slicing Aided Hyper Inference），试了一下，mAP从31直接跳到47。今天就把这个方案拆开揉碎了讲清楚，包括我踩过的坑和优化过的代码。
SAHI的核心逻辑：大图切小图，小图做检测
SAHI的思路其实很朴素：既然小目标在原始大图上特征太少，那就把大图切成若干小图，每个小图独立推理，最后把结果拼回去。听起来简单，但实现细节里全是坑。
切片策略有两种：常规网格切分和带重叠的滑动窗口切分。实际工程中必须用后者，因为目标可能正好被切在边界上。我一开始用不重叠的网格切，结果边界上的目标漏检率高达40%。重叠率一般设20%-30%，航拍场景我习惯设25%，既能保证边界目标完整，又不会产生太多冗余计算。
切片大小需要根据你的模型输入尺寸来定。YOLOv8默认输入640×640，那切片大小就设640×640。有人问能不能设小一点比如320×320，理论上可以，但小图包含的上下文信息太少，检测精度反而下降。我测试过，640×640
