yolo系列小目标召回率低的核心原因是anchor尺寸不匹配与未利用p2/p1高分辨特征图，二者必须协同优化：yolov5需修改yaml中anchors或聚类；yolov8虽标称anchor-free，但detect头仍依赖预设anchor尺度，须用autobatch+自定义anchor_generator重生成并传入train；yolov11支持--anchor-tune自动重聚类；同时必须融合p2层（4×下采样）以检测≥8px目标，yolov5需手动改fpn和detect层，yolov8需重写build_targets函数覆盖p2坐标，yolov11启用--p2-fusion即可。
YOLO系列（v5/v8/v11）小目标召回率低，核心问题往往不是模型不行，而是Anchor尺寸不匹配 + 高分辨特征图没用好——这两点必须一起改，单改一个效果有限。
YOLOv5/v8/v11里Anchor到底在哪改？
虽然YOLOv8官方标称“Anchor-Free”，但其Detect头仍依赖预设的anchor尺度来初始化回归偏移；YOLOv5和YOLOv11则完全基于Anchor匹配。不改Anchor，模型在训练初期就无法把小目标分配给合适的特征层，后续再调参也难救回来。
- YOLOv5：修改
models/yolov5s.yaml中的anchors字段，或运行python utils/autoscale_anchors.py做聚类 - YOLOv8：需在训练前用
ultralytics.utils.autobatch配合自定义anchor_generator生成新Anchor，再传入model.train(anchors=...) - YOLOv11：直接支持
--anchor-tune命令行参数，输入标注文件路径即可自动重聚类：yolo train data=data.yaml model=yolo11n.pt anchor-tune=path/to/labels/ - ⚠️ 注意：YOLOv8若跳过Anchor重生成、只改
imgsz或conf，小目标召回提升通常＜3%，因为底层匹配逻辑仍卡在原始尺度上
为什么必须融合P2/P1高分辨特征图？
标准YOLO的最小检测层是P3（下采样8×），对应输入图像中≥16px的目标。而P2（下采样4×）能保留≥8px目标的完整空间结构，P1（下采样2×）甚至可支撑≥4px目标——这才是微小目标的“救命层”。YOLOv10实测加P2后召回率↑16%，不是偶然。
- YOLOv5：需手动修改
models/common.py中FeaturePyramidNetwork，插入upsample(P3) → cat with P2，并在Detect层增加[P2, P3, P4]三路输出 - YOLOv8：原生不开放P2接入，必须重写
ultralytics/models/yolo/detect/loss.py中的build_targets函数，让target assignment同时覆盖P2特征图坐标 - YOLOv11：已内置
--p2-fusion开关，启用后自动将P2特征与P3拼接，并扩展Detect头通道数，无需改代码 - ⚠️ 注意：强行对P2做32×32大小的检测头会显著拖慢推理速度，建议搭配
width_multiple: 0.25压缩通道数，或用Conv2d(1,1)先降维
Anchor聚类时最容易踩的三个坑
很多人跑完k-means得到新Anchor，结果召回率反而下降——问题不在算法，而在数据和尺度处理。
- 标注框必须用**原始分辨率下的像素坐标**，不能是归一化后的
xywh（否则聚类结果会系统性偏小） - 聚类前务必剔除
w 的标注（噪声框或误标），否则Anchor会被拉向不可靠极小值 - YOLOv11的
anchor-tune默认使用iou_ratio=0.6，若你的小目标密集重叠，应显式设为iou_ratio=0.3避免漏匹配 - ⚠️ 注意：用COCO预聚类Anchor直接迁移到工业显微图像，宽高比误差常＞40%，必须重聚——哪怕只有200张图，也比通用Anchor强
真正卡住小目标召回的，从来不是模型深度或参数量，而是Anchor是否“认得清”目标、高分辨特征是否“留得住”细节。P2融合和Anchor重聚类这两步，缺一不可，且必须在训练前完成——等模型训完了再回头改，等于重新来过。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
