088、YOLOv11改进-焊接缺陷检测中的微小目标识别——基于注意力增强与多尺度融合的即插即用模块，缺陷检测mAP提升5.5%
调试现场：被焊接缺陷折磨的三个月
去年接了个焊接缺陷检测的项目，客户要求检测焊缝中的气孔、裂纹、未熔合，目标尺寸小到只有几个像素。YOLOv11直接跑，mAP@0.5:0.95只有可怜的0.312，小目标几乎全漏。我盯着TensorBoard里那几条平缓得像心电图一样的loss曲线，心里清楚——模型根本没学到小目标的特征。
试过加小目标检测头，试过数据增强，甚至自己写了个多尺度训练策略，效果都差强人意。直到有一天凌晨三点，我看着一张焊接缺陷的feature map可视化，突然意识到问题所在：YOLOv11的backbone在深层特征图上几乎丢失了所有小目标信息，而浅层特征图又缺乏语义上下文——小目标既没细节又没上下文，模型当然学不到。
问题根源：YOLOv11对小目标的“盲区”
YOLOv11的C2f模块和SPPF结构对常规目标很友好，但处理微小目标时有两个致命缺陷：
- 下采样太狠：经过5次下采样后，原始图像中4x4像素的缺陷在特征图上只剩1个像素点，信息几乎完全丢失
- 注意力机制缺失：YOLOv11的检测头虽然用了注意力，但backbone和neck部分缺乏针对小目标的注意力增强，模型无法聚焦到关键区域
我翻了几十篇论文，发现一个规律：小目标检测效果好的方法，要么在浅层特征上
