YOLOv5+SAHI+超分辨率：小目标检测与遥感影像分析实战

简介：面向小目标检测与超分辨率处理场景，这份演示源码整合了YOLOv5检测框架与SAHI模块，适合已掌握基础目标检测知识、希望在PyTorch+CUDA环境下快速跑通完整流程的开发者。压缩包内共4个文件，约23.05MB，包括Python主程序、预训练权重（yolov5s6.pt）、运行说明文档和示例图片，可据此了解模型推理、SAHI切片放大及结果可视化等关键环节。项目明确要求依赖sahi 0.8.4与yolov5 5.0，并建议在PyCharm中配置Python及CUDA 10.1环境，README中对数据准备、训练与推理步骤均有梳理。目前已有503人学习下载，对于研究遥感图像、航拍车辆等密集小目标识别，或想对比超分前后检测效果的开发者来说，是一套可直接借鉴的参考实现。

1. 目标检测的硬骨头：YOLOv5+SAHI把超分辨率和小目标检测一次打通

做检测的人应该都有这种经历：一张无人机俯拍图，目标是一排小汽车，每辆在缩略图里就十几个像素。你拿训练好的YOLOv5直接推理，大车能框出来，小车全被漏掉，有的甚至被后处理当成噪点滤掉。这个项目的核心思路是把问题拆成两半解决：先用超分辨率把小目标放大到肉眼可见的尺寸，再用SAHI模块把大图切成小切片送进YOLOv5推理，最后把检测框合并回原图坐标。演示包带的是yolov5s6.pt权重、main.py、README.md和一张small-vehicles1.jpg测试图，跑通后能直接看到同一张输入在普通推理和切片推理下的检出差异。适合正在做小目标检测、遥感影像分析、交通视频监控，又不想从头改网络结构的人。

2. 原理与选型：为什么YOLOv5+SAHI能解决小目标检测

2.1 YOLOv5选型：yolov5s6.pt不是随便挑的

YOLOv5在这个组合里不是新东西，但选哪个权重很有讲究。演示包用的是yolov5s6.pt，注意这个带s6后缀的权重，它是P6模型，和普通yolov5s最大的区别是多了一个更浅层的特征输出。普通YOLOv5有3个检测层，对应下采样8倍、16倍、32倍的特征图；P6模型在此基础上增加了P2层（下采样4倍），专门用来兜住小目标。

小目标漏检的根本原因是下采样把目标压没了。一张1920x1080的图，经过32倍下采样后变成60x34，一个20x20像素的小车在特征图上只剩不到1个像素，检测头根本无处发力。yolov5s6的P2层相当于给检测头留了一条更早的特征分支，目标在4倍下采样下还剩5x5像素，至少能被激活。这就是为什么演示项目选s6而不是s。

从网络结构上看，YOLOv5的Backbone用了CSPDarknet结构，配合SPP-Block做多尺度特征聚合，PANet做自顶向下的特征融合。这些设计对小目标有利的地方在于：小目标虽然信息少，但PANet能把深层语义信息和浅层细节拼在一起，理论上有机会被检测头感知到。实际效果里，s6比s在小目标AP上高几个点，主要还是P2层的功劳。

自适应锚框也是一层原因。YOLOv5训练时会根据数据集的标注尺寸重新聚类锚框，如果训练集里小目标占比高，锚框分布就会偏向小尺度。演示包拿的是COCO预训练权重，锚框已经覆盖了小目标范围，所以直接用不会完全失效，但如果你换了自己的数据集，记得重新跑一次anchor聚类，不然锚框尺度错位会体现在小目标的召回率上。

后处理和超分辨率也有关系。YOLOv5的detect头输出后要经过conf筛选和NMS去重，默认conf=0.25，NMS IoU阈值0.45。小目标通常置信度偏低，很多真实目标在0.1到0.25之间就被后处理杀掉了。所以后面调参的时候，conf这个参数会反复出现，它是整条链路里最值得动手的地方，先记住这个点，第4章避坑会再展开。

2.2 SAHI切片推理：把大图切成小图，目标占比立刻变大

SAHI全称是Slicing Aided Hyper Inference，核心不是模型，而是一套推理策略。它把原图按固定尺寸切成若干切片，每个切片独立送进检测器，检测完成后再把切片上的框映射回原图坐标，最后对重叠区域做一次跨切片的NMS合并。

这样做为什么对小目标有效？关键在「尺度占比」。一个20x20的目标放在1920x1080全图里，面积占比约0.019%；切成640x640切片后，如果目标完整落在某个切片里，占比变成约0.098%，提升了5倍。如果配合超分放大，提升就远不止这个量级。检测器对占比较大的目标天然友好，因为它学过的特征尺度分布更接近这个范围。

切片参数里最核心的是slice_height/slice_width和overlap_ratio。SAHI默认的overlap是0.2，意思是相邻切片在水平、垂直方向上各有20%的宽高重叠。这个重叠不是浪费，是保险：目标如果正好横在切片边界上，没有重叠就会被切两半，两个切片各检出一半轮廓，甚至都漏检。overlap调到0.4到0.5能显著减少这类切割事故，代价是计算量涨，后面避坑章会具体说。

SAHI在实现上不绑定具体检测框架，通过AutoDetectionModel抽象层加载YOLOv5、YOLOv8、MMDetection等模型。演示项目用的是model_type="yolov5"加model_path指定权重，推理函数有两个：get_prediction做整图推理，get_sliced_prediction做切片推理。实际项目里基本都是后者，因为小目标场景下整图推理的召回率实在不够看。

2.3 超分辨率放大：先放大再切片，还是先切片再放大

超分辨率的角色是补SAHI的不足。切片推理解决的是「目标在切片里占比小」的问题，但如果目标小到10像素以下，放大到640切片里也就几十像素，细节信息量还是不够。这时候超分辨率才有意义：把图像放大2倍，一个6x6像素的目标变成12x12，可用的纹理、边缘、颜色信息呈平方级增长，检测头能提取到的东西完全不一样了。

常见做法是先离线超分、再切片推理。原因是超分本身吃显存，如果边超分边切片，GPU会被两个任务同时占满，4G卡基本扛不住。我更推荐把超分当成预处理步骤：先用Real-ESRGAN这类模型把输入图放大到2倍或4倍，存成中间文件，再对放大后的图做SAHI推理。这样每一步都好调试，哪一步出问题了能立刻定位。

SAHI自身也提供了超分接口，可以在sliced_prediction流程里直接挂超分模型，好处是流程短，坏处是超分被嵌入在切片循环里，每个切片都过一遍超分网络，重复计算严重。以一张4K图为例，切成640切片大概是48个，每个切片都超分一次的花费远大于对整张图超分一次。所以我的习惯是：项目演示阶段用SAHI内置接口验证效果，实际批量处理时拆成两段脚本跑，能省一半以上的推理时间。

还有一点你要想清楚：超分不是万能的。它并不创造新信息，只是把已有的低频信息还原成可信的高频细节。如果原图里目标区域本身糊成一片噪声，超分模型也只能脑补出一个未必真实的轮廓，这时候检测结果会被误导。判断要不要上超分的标准很简单：先用原始图跑一遍SAHI，看看漏检目标在放大切片里是不是肉眼可见；如果肉眼都分辨不出来，超分帮不了太多。

3. 环境搭建与跑通演示：从CUDA版本到main.py推理全流程

3.1 先卡住环境版本：Python、CUDA、PyTorch必须对齐

这个演示项目最让人头大的不是模型，是环境版本对不齐。项目依赖的是PyTorch 1.7.1和CUDA 10.1，sahi版本锁定0.8.4，yolov5锁定5.0。这套组合是2021年前后的经典配置，和现在PyTorch 2.x的安装习惯完全不同。你要是直接pip install torchlatest，大概率会遇到sahi或yolov5 5.0里某些API调用失败的翻车现场。

我一般建议用conda单独建一个环境，不要污染日常开发环境。建好后先确认三件事：Python版本、PyTorch版本、CUDA可用性。PyTorch 1.7.1需要Python 3.6到3.9之间，推荐3.8，兼容性最好。CUDA 10.1需要显卡驱动版本在410以上，太老的驱动装不了。

环境检查可以先用这段命令：

python -c "import torch; print('torch:', torch.__version__); print('cuda:', torch.cuda.is_available()); print(torch.cuda.device_count(), torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CPU')"

这段命令依次打印torch版本、CUDA是否可用、GPU数量和型号。如果torch.cuda.is_available()返回False，后面所有GPU推理都白搭，要么驱动不匹配，要么PyTorch装成CPU版本。看到True再继续装依赖，能省掉不少排查时间。

3.2 依赖安装：sahi、torch、yolov5缺一不可

环境确认没问题后，开始装依赖。如果用GPU跑，PyTorch必须用官方指定源安装，这里给CUDA 10.1对应的版本：

conda create -n yolo_sahi python=3.8 -y conda activate yolo_sahi pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 -f https://download.pytorch.org/whl/torch_stable.html pip install sahi==0.8.4

第一行创建名为yolo_sahi的Python 3.8虚拟环境，第二行激活它。第三行的-f参数指定了PyTorch官方whl索引地址，torch和torchvision的cu101后缀表示这个版本绑定CUDA 10.1，必须配套安装，混搭会出现import torch直接段错误的情况。这里有个容易被忽略的点：torchvision版本必须对应torch 1.7.1，也就是0.8.2，不匹配会在import的时候报undefined symbol。

sahi 0.8.4是纯pip包，装它不需要特殊参数。装完sahi后还要处理yolov5 5.0。这个版本是Ultralytics的源码仓库形态，不是纯pip包，需要把code目录下的yolov5源码放到项目根目录里，然后安装它的依赖：

pip install -r yolov5/requirements.txt

yolov5 5.0的requirements.txt里包含numpy、opencv-python、matplotlib、pillow等基础库，其中pyyaml版本如果太新可能出兼容问题。装完之后顺手跑一下python -c "from sahi.model import Yolov5DetectionModel; print('sahi ok')"，能正常打印就说明环境基本通了。

3.3 跑通main.py：理解参数再动手

项目的运行主入口是main.py，README.md里有对应的运行说明。这类演示项目的逻辑通常很清晰：加载模型、准备图像、做切片推理、导出可视化结果。核心调用可以整理成下面这段参考代码，和你解压后看到的结构基本一致：

from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction detection_model = AutoDetectionModel.from_pretrained( model_type="yolov5", model_path="yolov5s6.pt", confidence_threshold=0.25, device="cuda:0", ) result = get_sliced_prediction( image="small-vehicles1.jpg", detection_model=detection_model, slice_height=640, slice_width=640, overlap_height_ratio=0.2, overlap_width_ratio=0.2, ) result.export_visuals(export_dir="output/") print("已导出检测结果到 output/ 目录")

这段代码里的confidence_threshold是置信度阈值，0.25是YOLOv5的默认值。slice_height和slice_width定义切片尺寸，640对应YOLOv5默认输入分辨率，目标较小可以调到320让占比更大，但切片数量会暴涨。overlap_height_ratio和overlap_width_ratio是切片重叠比例，0.2是SAHI默认值，如果你发现目标总在切片边界被切断，优先加大这两个值。

result.export_visuals会把检测框画在原图上并保存到output目录。输出的图上每个目标框附带类别和置信度，能直观看到small-vehicles1.jpg里的小车检出多少个。如果第一次跑通了一张图没有任何输出，不要急，先去检查是不是图像路径不对、模型路径没改成实际解压位置。README里提到的数据准备和训练流程，是后面做自定义数据集时才会碰到的，演示阶段先把推理这步跑通。

4. 避坑与常见问题：切片漏检、CUDA报错、显存不足的排查

4.1 现象：import torch直接报错或进程闪退

表现是执行导入时提示找不到cudnn64_8.dll，或者Python进程直接崩溃退出，没有任何Python层面的报错。新手最容易误判成代码问题，其实全是环境错配。

原因是PyTorch 1.7.1+cu101需要CUDA 10.1的运行时库，你的显卡驱动如果高于某个版本导致cudnn版本不匹配，就会出现这种静默崩溃。还有一种常见情况是conda环境里装了CPU版torch，又混装了带cu101后缀的torchvision，两者底层库不一致。

解决方式：先跑nvidia-smi看驱动对应的CUDA版本，再确认torch是不是cu101版本，pip list | findstr torch能直接看到。如果驱动版本太老，升级显卡驱动即可，不需要装全套CUDA Toolkit，PyTorch自带运行时库。如果是torch和torchvision版本错配，直接在conda环境里卸载重装，两个包必须同时指定版本安装，不能分开装。

4.2 现象：目标正好在切片边界，检测框被切两半或完全漏检

表现是输出图里有些目标只剩半个框，更常见的是两个相邻切片各检出一半轮廓，然后在合并时被当成两个目标重复框出来。排查的时候把overlap调成0能立刻复现，几乎所有目标边界都会出问题。

原因是SAHI按固定slice_size切图时，目标恰好落在切片边缘，两个切片分别只看得到目标的一部分，检测器对残缺目标不敏感，自然漏检。而重复框则是NMS合并没来得及处理的情况，跨切片的两个框高度重叠但都不满足NMS的删除条件。

解决方式：把overlap_height_ratio和overlap_width_ratio从0.2提高到0.4或0.5。代价是切片数量变多，一张1920x1080图在overlap 0.5下大概多生成30%切片，推理时间线性增长。也可以反向调：把slice_height和slice_width从640提升到1024，让目标更可能完整落进单个切片。如果你在跑视频流，建议固定slice_size的同时用跟踪算法兜底，单帧切割损失还能靠时序补回来。

4.3 现象：推理结果为空，一张图0个框

表现是get_sliced_prediction走完，可视化输出里只有原图没有任何标注。数据是标准的小目标图，模型和路径都对，就是检不出东西。

原因通常是双重作用：一是conf=0.25对小目标太苛刻，小目标特征弱，置信度普遍在0.1到0.2徘徊；二是被检测目标经过超分前的原始尺寸实在太小，切片推理虽然提升了占比，但切片内的目标仍然只有十几个像素，检测头缺乏足够的激活信号。

解决方式：先把confidence_threshold降到0.1，再跑一遍。如果出现大量低置信度框，说明模型本来能感知到目标，只是阈值卡得太死，后续微调到0.15到0.2即可。如果降到0.05依然空框，那问题不在阈值，在图像预处理或模型权重，回到上游检查超分步骤有没有生效。这里想提醒一个习惯：调参前先保存一份原始输出，很多坑都是调完才后悔没有对照。

4.4 现象：加超分后显存溢出，CUDA out of memory

表现是开超分放大4倍后，程序跑到一半报RuntimeError: CUDA out of memory，显卡显存直接被占满。这在4G到6G显存的消费级显卡上非常常见。

原因是超分模型本身就吃显存，再把放大后的图像切成640切片送进YOLOv5，等于同时跑两个重负载网络。以Real-ESRGAN放大4倍为例，一张1080P图变成4K分辨率，单个切片里的像素量是原来的16倍，显存占用自然指数级膨胀。

解决方式：把超分从SAHI推理流程里拆出来，先用一个独立脚本对原图做超分并保存到磁盘，再对超分结果做切片推理。脚本分离后每一步的显存都是可控的，还能在超分后先肉眼检查一下目标区域是否真的清晰了，再进检测链路。如果单张超分还是爆显存，给超分模型加tile模式，分块处理能显著降低峰值显存。实在不行就把放大倍数从4降到2，检测收益没降多少，显存压力直接减半。

5. 进阶验证与参数调法：用一张小目标图像测出检测上限

5.1 做一个三路对照实验

拿到small-vehicles1.jpg别急着跑完就收工。我的习惯是做三路对照：原始YOLOv5整图推理、YOLOv5+SAHI切片推理、超分+SAHI切片推理。三路结果并排放，能一眼看明白超分和切片各自贡献了多少，后续调参也有依据。

记录方式可以简单用表格：

这个对比值只对应演示图，但趋势能说明问题：切片提升的是召回率，超分提升的是置信度上限。如果你跑出来超分后检出数反而下降，去检查超分模型是不是引入了明显伪影，而不是盲目调参。

5.2 参数调优的顺序

我的调参路线是先定超分scale，再定overlap，最后定conf。超分scale决定目标的信息量上限，先试1、2、4三档，看检出数边际变化停在哪个档位，取收益最高的倍数；然后固定scale，试overlap 0.2/0.4/0.5，目标在边界被切的问题此时最明显；最后再降conf，从0.25逐步降到0.1，每次降完关注新增框里真实目标的比例，降到某个点全是假阳性就收回去。

这套顺序比一上来就乱试要省时间。还有个小技巧：把结果导出成带坐标的JSON，用脚本统计检测框的尺寸分布，能看出当前漏检目标是集中在10像素以下还是20像素附近，这对后续决定要不要换P6权重或者训练自己的数据集很有参考价值。

5.3 边界与后续

SAHI和超分的组合不是终点，只是一个不修改网络结构就能吃到小目标增益的中间方案。如果你手上的数据分布和COCO差异很大，正确的路径还是用YOLOv5训练自己的数据集，在训练阶段就把高分辨率切片喂进去，配合mosaic、copy-paste这类数据增强，让模型本身学会小目标特征。到那时候SAHI可以作为推理阶段的增强手段保留，但超分就不一定要了。

我之前在一个遥感车辆检测项目里踩过一次改装学：数据集里的车最小只有8像素，靠这套组合硬拉到12个检测框，但误检率也跟着涨了3个百分点。后来重训了一个3000张的自定义数据模型，推理阶段只保留SAHI，效果反而比超分链路干净。从那以后我每次换数据集都会先跑一遍三路对照，确认超分是增益还是噪声再决定用不用，这已经成了固定的验证流程。希望帮到你。

本文还有配套的精品资源，点击获取