SPDC-YOLO：无人机航拍小目标检测的YOLOv8改造实践

做无人机航拍检测的朋友，十有八九都经历过这种场面：一张几千乘几千的航拍大图里，车只有十几个像素，人要眯着眼才看得见，模型却连一个都框不出来。YOLOv8本身已经很快，但拿到这种小目标密集的场景下，效果经常不如预期。SPDC-YOLO这个项目，就是针对无人机航拍图像里“目标太小、背景太乱、正负样本极不均衡”这三个老大难问题，在YOLOv8结构上做了几处针对性改造。如果你是做遥感、巡检、或者对无人机采集的视频做实时检测的开发者，这篇文章值得看完。我会把它的核心改动、复现配置、以及我踩过的几个坑一次性说清楚。

1. 为什么无人机航拍的小目标检测这么难

1.1 先搞清楚“小目标”的标准再动手

很多人上来就调参，但连“小目标”的定义都没对齐。业内最常见的标准是COCO数据集的绝对像素定义：目标边界框面积小于32×32像素就算小目标，大于96×96像素才归为大目标。但在无人机航拍场景里，大图动辄4000×3000，一辆车在图中可能只占10×20像素，这已经不是“小目标”，而是“极小目标”。

另一个容易被忽略的问题是：目标经过模型下采样之后还剩多少像素。比如YOLOv8输出特征图的stride最小是8，假设输入是640×640，那么一个16×16像素的小目标，在浅层特征图上只剩2×2个像素。到了stride为32的深层特征图，直接变成一个点，甚至被非极大值抑制直接抹掉。这就是小目标检测难的本质：不是模型笨，是信息在层层卷积里被吞掉了。

小目标检测还有一个附加难点：回归框对像素偏移极度敏感。大目标框偏移几十个像素无所谓，小目标偏移三五个像素，IoU就直接从0.7掉到0.3以下。所以哪怕骨干网络能提取到特征，定位误差也会被IoU计算放大，导致漏检或者错检。

1.2 航拍场景带来的独特干扰

航拍不是把相机水平放着拍，而是从高空俯视，这个视角带来了几个非常棘手的干扰。

第一是目标形态和朝向不稳定。车辆、行人、船只都可能以任意朝向出现在画面里，同一个目标在连续帧里角度变化剧烈。第二是背景噪声极其复杂，树冠、屋顶、阴影、停机坪上的标志线，纹理和颜色都可能和目标混淆。第三是光照变化大，正午和傍晚的阴影长度完全不同，同一片区域在不同时间段拍下来，特征分布差异明显。

还有一个很实际的问题：目标在画面里分布极不均匀。有的帧只有零星几个目标，有的帧里停车场密密麻麻全是车，密集场景下目标互相遮挡、框与框重叠，正负样本比例严重失衡。这种数据分布下，常规的随机划分训练集和验证集很容易造成指标虚高或模型过拟合。

生活化一点理解，这就好比站在高层往下看停车场：车是“看得到”的，但你要是被要求一眼数清所有车的颜色，还得把每辆车的轮廓画准，难度完全不一样。航拍小目标检测要解决的，就是这种“看得见但认不准、数不清”的问题。

1.3 为什么选YOLOv8而不是其他方案

选型这件事，我见过太多人一上来就追新。不可否认，基于Transformer的检测器在公开榜单上精度很高，但放到真实部署场景，推理速度、显存占用、开源生态、迁移成本都得算进去。YOLOv8的优势在于三点：单阶段结构足够快，C2f模块在特征复用上做得不错，而且训练和导出工具链非常成熟，从自定义数据到ONNX再到嵌入式部署，基本一条路走通。

但YOLOv8原生并不擅长小目标。它的输出层是P3、P4、P5，对应stride 8、16、32，意味着最小的检测头也在下采样8倍之后的特征图上工作。而无人机航拍里的绝大多数目标，原始尺寸就落在8×8到32×32之间，经过下采样后有效特征所剩无几。所以不能指望原版YOLOv8直接出好结果，必须动手改结构。

SPDC-YOLO这个项目走的路线就是在YOLOv8的骨架上做“外科手术”，而不是推倒重来。保留YOLOv8的训练框架、后处理和部署方式，重点修改下采样方式和检测头结构。这样既能在小目标数据上拿到明显收益，又不至于让工程成本暴涨。接下来我详细拆解它到底改了什么。

2. SPDC-YOLO的核心改动拆解

2.1 第一步：用SPD-Conv保住小目标的“像素命”

Spd-Conv的全称是Space-to-Depth Convolution，翻译过来就是“空间转深度卷积”。它的核心思路很简单：在实际下采样之前，先把空间维度的信息通过重排完整保留下来。

普通的下采样卷积是stride为2的卷积，直接在地图上隔一个像素取一个点，等于强行扔掉一半信息。对小目标来说，被扔掉的那一半很可能就是目标的另一半身体。SPD-Conv的做法是用一个“空间转深度”操作，把H×W×C的特征图按2×2的小块拆开，拆成四个尺寸减半的子特征图，再沿通道维度拼接，得到H/2×W/2×4C的特征图。这样信息没有丢，只是换了一种排列方式。之后再用stride为1的普通卷积做特征变换，通过调节输出通道数控制计算量。

我试过把YOLOv8的stem和几处stride=2的下采样层替换成SPD-Conv，效果立竿见影：训练loss更容易降下去，小目标的召回率明显上升。代价是中间特征图的通道数暂时变成4倍，显存和计算量会有一定增加，所以不能无脑全换。稳妥的做法是只在浅层和主干深层分别设置一个开关，按显存情况和数据集特点决定替换哪些层。

2.2 第二步：把C2f模块改造成SPDC复合模块

YOLOv8的C2f模块本身是一个很聪明的设计。它把输入拆成多个分支，通过若干个Bottleneck结构提取特征后再拼接，梯度流更丰富，参数利用效率也比较高。但标准C2f对小目标最致命的一点是：它内部的Bottleneck为了省参数，普遍用1×1卷积加3×3卷积，感受野相对固定，而航拍小目标特别依赖周围上下文来判断“这个像素块到底是不是一辆车”。

SPDC-YOLO里的“SPDC”这个命名，其实就是把两条思路拼在一起：前面加SPD-Conv来替换下采样，后面保留甚至重构C2f结构。具体做法有两种变体，我在复现时都测过：

第一种是在C2f入口处先用SPD-Conv做一次无损下采样，再接标准Bottleneck组，适合替换那些既有stride=2又有特征融合的过渡层。第二种是在C2f内部的Bottleneck里，把部分3×3卷积换成膨胀率不同的卷积核，在不增加太多参数的前提下扩大感受野，比如用膨胀率2或者3的3×3卷积，让模型看到更大范围的上下文。

这里有个容易踩坑的地方。扩感受野不是越大越好，无人机航拍里有些目标旁边就是高度相似的其他目标，感受野太大反而会引入邻居信息造成混淆。我在测试时把膨胀率从2调到3，精度没有继续涨，反而有个别类别误检率上升。所以建议把这个参数做成可配置项，而不是写死。

2.3 第三步：检测头加P2层，配合损失函数调整

原版YOLOv8的三个检测头分别工作在stride 8、16、32上，对小目标最敏感的是stride 8那一层。SPDC-YOLO的常见做法是增加一个stride为4的P2检测头，也就是在模型的更浅层、分辨率更高的特征图上去做小目标回归。

听起来简单，做起来有几个细节。首先是特征融合路径：如果只是把P2单独拉出来做预测，特征语义不够，必须通过FPN或者PAN结构把深层的语义信息往浅层融合。其次，增加P2后，模型的输出从3组变成4组，训练脚本里的损失权重、正样本分配都要跟着调，否则新增头反而会干扰原来的预测。

损失函数方面，我强烈建议你关注一下回归损失的选择。原版YOLOv8用的CIoU对大目标比较友好，到了小目标上，框的宽高只有几十个像素，CIoU的各项惩罚会被噪声放大。实践中很多人会用Wise-IoU这类对目标尺度不那么敏感的IoU变体来代替，在小目标场景下回归loss能更稳定。我在一个公开航拍数据集上对比过，同样是SPDC-YOLO的结构，把回归损失换掉之后，小目标类别上的mAP50大约能再涨两三个点，这个收益不需要改模型结构，属于“白捡”的优化。

下面是SPDC-YOLO的结构示意，我用YAML风格表示，方便你理解各模块的位置关系。注意这只是一个简化示意，落到具体代码库时还要根据实际版本来适配。

# SPDC-YOLO 结构示意（节选） backbone: - [-1, 1, SPD_Conv, [32, 3, 1]] # stem 区域，用SPD下采样 - [-1, 1, SPDC2f, [64, True]] # stride 4 - [-1, 1, SPD_Conv, [128, 3, 1]] - [-1, 1, SPDC2f, [128, True]] # stride 8 - [-1, 1, SPD_Conv, [256, 3, 1]] - [-1, 1, SPDC2f, [256, True]] # stride 16 - [-1, 1, SPD_Conv, [512, 3, 1]] - [-1, 1, SPDC2f, [512, False]] # stride 32 head: # 新增P2检测头分支，来自浅层特征融合 - [-1, 1, Conv, [128, 3, 1]] - [-1, 3, SPDC2f, [128, False]] - [-1, 1, Detect, [nc, [4, 8, 16, 32]]] # 四个输出尺度

3. 从复现到部署：完整实操记录

3.1 数据集准备：大图切块与标注的正确姿势

无人机航拍原图通常是4K起步，最大的甚至到8K，直接把整图resize到YOLO训练的默认尺寸，目标会被压缩得连人眼都认不出来。所以我训练SPDC-YOLO时，第一步不是改模型，而是改数据流程。

先把大图切成1024×1024或者1280×1280的滑窗块，切图时设置20%到30%的重叠率。重叠的目的是避免目标恰好在切图边界被截成两半。切完图之后要写脚本校验每个块里的标签：如果一个目标的框被切掉了超过50%的面积，就把它从当前块里删掉，否则保留完整框，再把坐标从原图坐标系转换到当前块的坐标系，归一化之后存成YOLO格式。

这个切图过程我建议直接写成自动化脚本，不要手工做。脚本里至少包含两步：一是统计每个目标的像素面积，输出目标尺寸分布图；二是随机抽检若干切图块，把标签画回去可视化检查。我踩过一个很蠢的坑：有一批训练数据在切图时忘记处理跨块目标，导致一个目标被标成两个半块，训练出来的模型在真实场景里对一个目标输出两个框，最后全靠NMS阈值调整硬压下来。

数据增强也需要针对小目标单独设计。YOLOv8默认的Mosaic增强会把四张图拼在一起，对小目标来说反而有风险——目标被缩小后可能已经低于模型能感知的极限。我的经验是Mosaic概率不要设太高，在0.5到0.7之间，同时配合copy-paste增强，把一些小目标单独贴到其他背景图中，增加小目标样本的绝对数量，效果比单纯拉大训练轮数好得多。

3.2 训练配置与超参数详细说明

模型结构改完之后，训练配置直接影响最终效果。我用的方案可以参考下表，但请注意这只是起点，不是标准答案。

训练命令以常见训练脚本为例：

python train.py --data uav.yaml --model spdc_yolo.yaml --imgsz 1280 --batch 16 --epoch 200 --amp

这里要特别强调两点。第一，amp混合精度默认开启，但是如果你发现训练到一半loss突然变成nan，而关掉amp就恢复正常，优先检查是不是某些自定义SPD模块在fp16下数值溢出，尤其是把空间转深度后的通道数放大到4倍那一步。第二，加了P2检测头之后，输出层的权重初始化顺序和损失分配权重都要跟着调整。我的做法是先把P2层对总损失的贡献权重设得低一点，比如0.5，等主检测头稳定后再调回1。

还有一点容易被忽略：输入分辨率不是越高越好。分辨率从640提到1280确实能看见更多小目标，但再提到1600以上，训练时间几乎翻倍，而且航拍大图里背景噪声也会被放大，误检数量反而上升。最稳的做法是先拿两三个类别的数据做一轮1280和1536的小对比实验，再确认最终配置。

3.3 推理、导出与NMS调优

模型训好之后，部署环节同样有门道。如果你的应用是对单张大图做检测，建议推理时也用滑窗切图，而不是直接resize整图。切图尺寸和训练一致，重叠率可以设高一点，比如50%，因为推理时重叠越大，目标被截断的概率越低。

合并滑窗检测结果时要注意“同一个目标在多个块里被重复检出”的问题。我的做法是先收集所有块的检测框，把框坐标映射回原图坐标系，然后统一做一次全局NMS。全局NMS的IoU阈值我通常设在0.3到0.5之间，置信度阈值反而可以设低一点，比如0.1，因为小目标的置信度天然偏低，阈值设太高会漏掉真实目标。

模型导出方面，我习惯先导出成ONNX，再转TensorRT的fp16引擎部署到边缘设备。这里有一个坑：自定义模块如果在导出时用了太多重排操作，部分推理框架的优化做得不够好，导出后的速度可能不升反降。遇到这种情况，检查一下SPD-Conv里面的空间转深度操作是不是被编译器正确融合，必要时手动把重排和卷积拆成两个算子，或者换用支持该算子的推理引擎版本。

如果做的是实时视频流检测，我还会在模型后面挂一个跟踪模块，用跟踪结果弥补单帧检测的抖动。小目标物体在相邻帧之间往往移动只有几个像素，跟踪器能有效降低漏检率，但这属于应用层优化，模型本身的改动才是地基。

4. 常见问题与调优经验

4.1 训练损失不下降或者直接nan

这个问题我在复现SPDC-YOLO时遇到过，而且不止一次。

最先排查的是学习率。YOLOv8系列在batch size变大时，学习率也需要相应调整，我用AdamW时初始学习率一般控制在1e-3以内，batch翻倍时学习率也翻倍或略微下调，具体还要配合warmup。其次是混合精度，训练到几十轮突然nan，十有八九是某些层的数值稳定性出问题。我建议先把amp关掉跑20轮确认稳定，再开启amp继续训练。

另一个隐藏原因是标签数据本身有非法框，比如坐标出现负值、宽高为零，或者类别编号超出类别总数。这些脏数据在训练早期不会立刻报错，但会逐渐污染梯度。我写了一个标签清洗脚本，每次训练前都跑一遍，把所有越界框和不合理框过滤掉，训练异常率直线下降。

4.2 小目标漏检率一直偏高怎么办

如果模型训练正常、loss也降了，但推理时小目标还是漏，优先检查以下四个方向。

第一，输入分辨率是否够高。很多项目在验证集上测试时习惯用640×640，这等于主动放弃小目标。第二，SPD-Conv是否真的生效在浅层。我试过一种情况：因为重构时的命名冲突，某个浅层下采样其实还在用普通stride=2卷积，模型看起来结构改了，实际跑的还是老逻辑。第三，NMS的置信度阈值和IoU阈值是否合适，小目标框本身偏小，置信度阈值调到0.25以上会把很多真正的目标过滤掉。第四，P2检测头的分支权重是否太低，新增检测头的损失贡献不够，模型会趋向于忽略它。

如果这几个方向都排除了，再考虑升级回归损失函数。这在前面已经提过，不再赘述。

4.3 数据集与模型能力不匹配的坑

这部分属于“经验之外的经验”。很多项目用SPDC-YOLO复现时效果达不到预期，问题往往不在模型，而在数据集本身。

无人机航拍数据的正负样本比例极不均衡，有些类别数量是另一些的几十倍。我看到过一个团队直接给数量少的类别加权，结果训练损失下降很快，但验证集mAP反而掉了，原因是权重过大之后模型开始过拟合少数样本，在背景区域输出大量误检框。我的建议是先用基础配置训练一轮，统计各混淆矩阵的误检来源，再针对性地调整数据增强比例，而不是一上来就改权重。

另外一个很容易被忽视的坑是数据集划分。如果你把同一个架次的连续帧随机分到训练集和验证集，验证集里会有大量和训练集背景几乎相同的图片，指标会虚高。严谨的做法是按拍摄时间段、拍摄地点把数据分成互斥的集合。这也是很多公开项目实际工程落地时翻车的常见原因。

5. 最后说几点真实体会

如果只让我保留一个调参动作，我会毫不犹豫地把输入分辨率提到1280以上。视觉检测里没有玄学，信息在模型前端丢失了，后面再怎么调结构都是亡羊补牢。SPDC-YOLO的可贵之处在于，它没有引入复杂的多阶段流程，而是把注意力放在信息保留和轻量化这两个关键点上，这让它从训练到部署都足够踏实。

我自己在复现过程中最大的感触是：小目标检测不是单纯比模型结构，而是一个数据、分辨率、损失函数、后处理共同作用的系统工程。一个模块改了可能不涨点，但把分辨率、SPD-Conv、P2检测头和损失函数几个环节串起来，效果就会有质的提升。如果你正在做类似场景，建议先拿一个小数据集把完整流程跑通，再逐步扩大规模，这样定位问题会清晰很多。

最后再分享一个实用小技巧：训练SPDC-YOLO时，把验证集的检测可视化输出保存下来，每隔20个epoch翻一遍。小目标检测的很多问题靠数值指标是看不出来的，但一张可视化图能直接告诉你模型到底是在找目标还是在找背景纹理，这个习惯能帮你省下大量无效调参时间。