引言：小目标检测的“老大难”问题如果你做过无人机航拍、安防监控或者工业质检类的目标检测项目，一定对小目标检测的痛感同身受——远处的行人、车辆，航拍图像中的微小目标，常常在模型推理中被“视而不见”或“张冠李戴”。根据一项发表在《Scientific Reports》上的研究统计，在无人机航拍图像中，大约60%～80%的目标尺寸小于32×32像素，超过70%的目标甚至小于16像素。更扎心的是，反复的卷积下采样会逐步抑制结构信息丰富的频率响应，削弱细粒度线索，导致定位精度严重下降。YOLOv11作为Ultralytics在2024年推出的目标检测模型（据Ultralytics官方文档），在COCO数据集上相比YOLOv10实现了mAP@0.5从52.8%到54.3%的提升。但在小目标检测这个细分赛道上，真正让APs（小目标平均精度）突破41.7%的，是一系列针对检测头的精细化设计优化。那么，YOLOv11的检测头到底做了什么？为什么能对小目标这么“友好”？本文将从架构设计、性能对比、部署实践三个维度，为你拆解YOLOv11小目标检测优化的底层逻辑。一、小目标检测为什么难？三个“致命伤”在深入检测头设计之前，我们先搞清楚一个问题：为什么YOLO系列模型在小目标上频频“翻车”？1.1 特征稀释：下采样把小目标“下没了”YOLO系列