摘要：YOLOv8作为当前最流行的目标检测框架，在通用场景表现优异，但在小目标和密集目标检测上仍有提升空间。本文将手把手教你两项核心优化：1）添加P2小目标检测层 2）替换为Wise-IoU损失函数。实测在VisDrone数据集上mAP@0.5提升4.3%，小目标召回率提升8.7%。
引言
YOLOv8凭借其优秀的速度与精度平衡，已成为工业界首选目标检测方案。然而在实际项目中，我们常遇到两个痛点：
小目标漏检：原版YOLOv8的下采样倍率最大为32倍，细粒度信息丢失严重
边界框回归不准确：尤其在遮挡和密集场景，CIoU损失函数对异常值敏感
本文将深入源码级别，实现两项无需新增参数的优化策略，让你的YOLOv8模型"看得更清、框得更准"。
一、添加P2小目标检测层
1.1 原理分析
标准YOLOv8的检测头分布在P3、P4、P5三层（下采样8/16/32倍），最小检测目标约为8×8像素。添加P2层（下采样4倍）后，理论上可检测4×4像素级目标。
网络结构变更：在Backbone的stage2后插入特征融合模块
# ultralytics/nn/tasks.py 修改DetectionModel类 def _forward_augment(self, x): # 原有代码... return self._forward_once(x, profile, visualize) # 单次前向 def _forward_once(self, x, profile=False, visualize=False): y, dt = [], [] # 输出列表 # ============ 添加P2层特征提取 ============ p2 = self.model[:3](x) # 取stage2的输出 # 原有P3/P4/P5提取逻辑 p3 = self.model[:5](x) p4 = self.model[:7](p3) p5 = self.model[:9](p4) # 特征金字塔增强 p5_upsample = self.model[9](p5) p4 = self.model[10]([p4, p5_upsample]) p4_upsample = self.model[11](p4) p3 = self.model[12]([p3, p4_upsample]) # ============ 新增P2特征融合 ============ p3_upsample = self.model[13](p3) p2_fused = self.model[14]([p2, p3_upsample]) # 新增的P2层 # 检测头输出 p2_out = self.model[15](p2_fused) # P2检测头 p3_out = self.model[16](p3) p4_out = self.model[17](p4) p5_out = self.model[18](p5) return [p2_out, p3_out, p4_out, p5_out]1.2 修改yaml配置文件
新建yolov8-p2.yaml：
# Parameters nc: 80 # 类别数 scales: # 模型复合缩放 n: [0.33, 0.25, 1024] s: [0.33, 0.50, 1024] m: [0.67, 0.75, 768] l: [1.00, 1.00, 512] x: [1.00, 1.25, 512] # YOLOv8.0n backbone backbone: # [from, repeats, module, args] - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 3, C2f, [128, True]] # stage2 - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 - [-1, 6, C2f, [256, True]] # stage3 - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 - [-1, 6, C2f, [512, True]] # stage4 - [-1, 1, Conv, [512, 3, 2]] # 7-P5/32 - [-1, 3, C2f, [512, True]] # stage5 - [-1, 1, SPPF, [512, 5]] # 9 # YOLOv8.0n head (添加P2层) head: - [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 10 - [[-1, 6], 1, Concat, [1]] # cat backbone P4 - [-1, 3, C2f, [512]] # 12 - [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 13 - [[-1, 4], 1, Concat, [1]] # cat backbone P3 - [-1, 3, C2f, [256]] # 15 (P3/8) - [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 16 - [[-1, 2], 1, Concat, [1]] # cat backbone P2 - [-1, 3, C2f, [128]] # 18 (P2/4) 新增层 - [-1, 1, Conv, [128, 3, 2]] # 19 - [[-1, 15], 1, Concat, [1]] # 20 - [-1, 3, C2f, [256]] # 21 (P3/8) - [-1, 1, Conv, [256, 3, 2]] # 22 - [[-1, 12], 1, Concat, [1]] # 23 - [-1, 3, C2f, [512]] # 24 (P4/16) - [-1, 1, Conv, [512, 3, 2]] # 25 - [[-1, 9], 1, Concat, [1]] # 26 - [-1, 3, C2f, [512]] # 27 (P5/32) # 检测头 - [[18, 21, 24, 27], 1, Detect, [nc]] # 4个检测层关键改动：Concat操作中的[-1, 2]对应P2特征，Detect接收4层输入
二、Wise-IoU损失函数实现
2.1 Why Wise-IoU?
YOLOv8默认使用CIoU损失，存在两个问题：
对低质量样本过度惩罚：导致模型收敛不稳定
非单调聚焦机制：IoU下降时损失不敏感
Wise-IoU通过动态权重分配解决这两个问题：
v=1−IoUIoU∈[0,+∞)α=vγ当IoU<0.5LWIoU=r⋅LIoU,r=exp(β⋅v)
2.2 源码级替换
新建ultralytics/utils/metrics_wise.py：
import torch import torch.nn as nn class WiseIoULoss(nn.Module): def __init__(self, beta=1.0, gamma=1.5, eps=1e-7): super().__init__() self.beta = beta self.gamma = gamma self.eps = eps def forward(self, pred, target): """ pred: [N, 4] 预测框 (cx, cy, w, h) target: [N, 4] 目标框 """ # 计算IoU b1_x1, b1_x2 = pred[:, 0] - pred[:, 2] / 2, pred[:, 0] + pred[:, 2] / 2 b1_y1, b1_y2 = pred[:, 1] - pred[:, 3] / 2, pred[:, 1] + pred[:, 3] / 2 b2_x1, b2_x2 = target[:, 0] - target[:, 2] / 2, target[:, 0] + target[:, 2] / 2 b2_y1, b2_y2 = target[:, 1] - target[:, 3] / 2, target[:, 1] + target[:, 3] / 2 inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \ (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0) union = pred[:, 2] * pred[:, 3] + target[:, 2] * target[:, 3] - inter + self.eps iou = inter / union # Wise-IoU核心计算 v = iou / (1 - iou + self.eps) alpha = torch.pow(v, self.gamma) alpha = torch.where(iou < 0.5, alpha, torch.ones_like(alpha)) # 边界框中心距离 center_dist = torch.pow(pred[:, 0] - target[:, 0], 2) + \ torch.pow(pred[:, 1] - target[:, 1], 2) center_sigma = torch.pow(center_dist, self.beta) loss = 1 - iou loss = loss * torch.exp(v * center_sigma) * alpha return loss.mean() # 在ultralytics/utils/loss.py中替换 # 第180行附近，将CIoU替换为WiseIoU from .metrics_wise import WiseIoULoss class BboxLoss(nn.Module): def __init__(self, reg_max=16): super().__init__() self.reg_max = reg_max self.wise_iou = WiseIoULoss(beta=0.5, gamma=1.5) # 替换原self.iou def forward(self, pred_dist, pred_bboxes, anchor_points, target_bboxes, target_scores, target_scores_sum, fg_mask): # ... 前面代码不变 ... # 替换损失计算 loss_iou = self.wise_iou(pred_bboxes_pos, target_bboxes_pos) # 其他损失项（DFL等）保持不变 # ... return loss_iou, loss_dfl三、训练与效果验证
3.1 训练命令
# 使用优化后的配置训练 yolo task=detect mode=train \ model=yolov8-p2.yaml \ data=VisDrone.yaml \ epochs=100 \ batch=16 \ imgsz=640 \ optimizer=AdamW \ lr0=0.001 \ weight_decay=0.053.2 性能对比（VisDrone数据集）
| 模型配置 | mAP\@0.5 | mAP\@0.5:0.95 | 小目标召回率 | FPS (RTX 3060) |
| -------- | --------- | ------------- | --------- | -------------- |
| YOLOv8n | 37.2% | 22.1% | 28.5% | 125 |
| +P2层 | 39.8% | 23.7% | 34.2% | 108 |
| +P2+WIoU | **41.5%** | **24.8%** | **37.2%** | 105 |
关键发现：
P2层使小目标召回率提升5.7%，但速度下降13.6%
WIoU带来1.7%的mAP提升，尤其对重叠目标效果显著
两者结合达到最佳精度-速度平衡
3.3 推理加速技巧
虽然添加P2层增加了计算量，但通过以下优化可恢复速度：
# 导出ONNX时简化检测头 from ultralytics import YOLO model = YOLO('yolov8n-p2.pt') model.export(format='onnx', simplify=True, nms=True) # 集成NMS # TensorRT FP16加速 trtexec --onnx=yolov8n-p2.onnx \ --saveEngine=yolov8n-p2.engine \ --fp16 --workspace=1024 # 实际部署FPS可恢复至120+，精度无损四、常见问题答疑
Q1: 添加P2层后显存爆炸怎么办？A: 减小batch_size，或使用梯度累积：accumulate=4。也可尝试冻结Backbone部分层训练。
Q2: WIoU中的超参β和γ如何调优？A: 建议网格搜索：
β ∈ {0.3, 0.5, 0.7} 控制中心注意力强度
γ ∈ {1.2, 1.5, 1.8} 控制低IoU样本权重 VisDrone上最佳组合为(0.5, 1.5)
Q3: 如何可视化新增的P2层注意力？A: 在Detect层前添加GradCAM hook，P2层对微小物体的响应显著强于P3层。
五、总结与延伸
本文通过添加P2检测层和替换Wise-IoU损失，在不修改Backbone的前提下显著提升了YOLOv8的小目标检测能力。核心优势：
即插即用：无需预训练权重，从零训练即可收敛
显存友好：仅增加15%参数量，移动端仍可部署
开源透明：所有修改均在Ultralytics框架内完成，便于维护
下一步优化方向：
结合SPD-Conv替代标准卷积，进一步提升小目标特征
引入BiFPN增强跨尺度特征融合
尝试Soft-NMS后处理，改善密集目标召回
