116、P2 小目标检测层添加：高分辨率特征图、Anchor 重聚类与 Loss 权重调整全套代码

116、P2 小目标检测层添加：高分辨率特征图、Anchor 重聚类与 Loss 权重调整全套代码从一次深夜调试说起凌晨两点，我盯着TensorBoard上那条死活不降的mAP曲线，咖啡已经凉透了。项目是无人机航拍图像检测，目标小到只有十几个像素——停车场里的车牌、农田里的害虫、监控画面里远处的人脸。YOLOv11默认的P3-P5输出层，下采样倍数分别是8、16、32，对于这些小目标来说，特征图分辨率根本不够用。我试过直接插值放大，试过在Neck里加转置卷积，效果都像隔靴搔痒。直到我翻出YOLOv5时代的老笔记，看到当时给P2层加检测头的方案，才意识到问题出在哪：不是特征图不够大，而是整个检测头的设计逻辑——Anchor尺寸、Loss权重、特征对齐——都需要跟着变。今天这篇笔记，就是那次调试后沉淀下来的完整方案，代码可以直接跑，注释里写满了踩过的坑。为什么P2层能救小目标YOLOv11的Backbone输出四个尺度的特征图：P2（1/4下采样）、P3（1/8）、P4（1/16）、P5（1/32）。默认检测头只用了P3-P5，P2被当作“浅层特征”扔给了Neck做融合。但P2层的感受野只有4个像素，对于16x16像素以下的目标，这是唯一能保留完整空间信息的特征层。我做过一个极端测试：在VisDrone数据集上，目标面积小于32x32像素的样本占60%以上。只用P3-P5时，这些小目标的召回率不到15%。加上P2检测头后，召回率直接跳到42%。代价是计算量增加了约18%，