小目标检测AP从36.5%到41.7%：YOLOv11对小物体做了什么手术？

一、引言：小目标，大难题在计算机视觉领域，小目标检测一直是一块难啃的硬骨头。根据COCO数据集的官方定义，像素尺寸小于32×32像素的目标被归类为小目标。而在无人机航拍场景中，情况更为极端——据Scientific Reports于2026年1月发表的研究统计，无人机在100至500米典型飞行高度采集的图像中，约60%至80%的目标小于32×32像素，超过70%的目标甚至小于16像素。这一现实直接反映在检测精度上。以YOLOv11在LSS2025-DET数据集上的表现为例，其AP@50仅为36.2%——这个数字说明，每检测100个小目标，就有将近64个被漏检或误检。而在经过一系列针对性改进后，部分改进模型已将这一指标提升至41.7%甚至更高。YOLOv11到底对小物体动了哪些“手术”？本文将系统梳理2025年下半年至2026年上半年间，学术界和工业界围绕YOLOv11小目标检测所做的架构改进、训练优化与部署实践，为读者呈现一份完整的技术图谱。二、问题诊断：YOLOv11小目标检测为何“力不从心”？2.1 小目标检测的三大先天难题要理解YOLOv11的改进方向，首先得搞清楚小目标检测为什么难。第一，特征衰减问题。在深度卷积网络中，每次下采样都会压缩特征图的空间分辨率。YOLOv11的主干网络经过多次步长为2的卷积和池化操作后，原本只有