一个让所有目标检测工程师头疼的经典问题
先看一个真实的工业场景。
你在做一个输电线路的无人机巡检项目，图像分辨率 4000×3000，绝缘子破损目标通常只有8×10 像素。你兴冲冲地用 YOLO11 训练了 300 个 epoch，mAP50 看起来还行，但一上测试集，小目标的召回率惨不忍睹——大量破损绝缘子被漏检。
问题出在哪？不是模型不够大，而是标签分配阶段就把这些小目标“判了死刑”。
在传统的 Task-Aligned Assigner（TAL）中，一个 ground-truth 框要成为正样本，需要预测点的中心落在 GT 框内，然后根据分类得分和 IoU 的综合指标排序取 Top-K。对于一个 8×8 像素的目标，经过 stride=8 的下采样后，最多只有 1 个特征点落在框内。如果这个特征点的预测框稍微偏移 2 个像素，IoU 就从 0.6 暴跌到 0.2，直接被判定为负样本。
结果就是：模型在整个训练过程中，几乎从未见过这些小目标的正样本。它学到的是——“那些小黑点都是背景。”
Ultralytics 在 YOLO26 中引入的STAL（Small-Target-Aware Label Assignment），正是为了解决这个根本性问题。根据 Ultralytics 官方博客 2026 年 1 月 20 日发布的文章，STAL 的核心目标是确保小目标在训练过程中至少获得 4 个正样本锚点
