企业官网建设流程全解析

YOLO26发布还不到半年，社区里的魔改热情已经烧得比当年YOLOv8还旺。这次要聊的SAA+C2PSA组合，属于当前讨论度比较高的一类方向：全局上下文建模加空间注意力聚焦，目标是把小目标和遮挡场景的检测能力拉上去。我花了大概三周时间，把这两个模块拼进YOLO26的backbone和neck里，跑了COCO子集、自建遮挡数据集和低光场景数据，有些心得值得记录下来。

先交代一下结论：SAA（Selective Aggregation Attention）负责在高层语义特征上做全局上下文的选择性聚合，C2PSA（C2f with Pyramid Squeeze Attention）则把金字塔稀疏注意力塞进CSP结构里，两个模块叠加之后，小目标AP50能涨两到三个点，遮挡目标recall的提升尤其明显。这篇就把设计思路、代码实现、训练调参和踩过的坑一次性讲清楚。

1. 从基线到魔改：YOLO26的结构底子与SAA的定位

1.1 YOLO26到底改了啥

很多朋友对YOLO26的认知还停留在“比YOLO11多了个版本号”，其实Ultralytics这代改动不算小。我拆解过官方结构图，它在骨干网络上延续了C3k2的CSP设计，但把下采样阶段的卷积替换成了空间感知的下采样模块，同时在neck部分加强了跨尺度特征融合的密度。整体参数比YOLO11小幅增长，但推理速度依然维持在实时水平。

不过YOLO26有个挺尴尬的点：对小目标的召回依然靠“以量取胜”。也就是说，它在特征金字塔上堆了更多融合层，让低层特征能拿到高层语义，但对“哪些区域真正需要关注”这件事，仍然没有建立有效的筛选机制。这也是为什么很多人把YOLO26接上注意力模块之后，精度能大幅提升——不是YOLO26本身弱，而是它把优化的空间留给了后来者。

1.2 SAA要解决的核心痛点

小目标和遮挡目标在CNN特征图上的困境本质上是同一个：信息被淹没。小目标占的像素本来就少，经过几层下采样后特征响应极弱；遮挡目标则是前景特征被背景或其它物体“污染”，网络分不清哪个特征是真正属于目标本身的。这两种情况都需要模型学会一件事——知道应该往哪里看，以及看到的信息哪些值得全局传播。

SAA这个名字里有两个关键词：选择性聚合、空间聚焦。前者说的是全局上下文信息的处理方式，不是一股脑把全局信息广播到每个位置，而是先筛选一遍，只让和当前目标相关的上下文参与聚合。后者说的是空间维度的注意力权重分配，让网络显式地知道哪些空间位置更重要。两者一个管“看什么信息”，一个管“看哪个位置”，搭在一起正好覆盖小目标与遮挡场景的核心难点。

1.3 为什么选C2PSA来配合

SAA这种全局上下文模块放在骨干网络高层比较合适，但它有一个问题：会带来一定的计算开销。如果每一层都做全局自注意力式的建模，显存和推理延迟都hold不住。所以需要一种更轻量的attention形式嵌到骨干的每一个stage里，让网络在前向传播过程中持续做特征筛选，而不是只靠最后那一层拉高感受野。

C2PSA的思路就是从这里来的。它把YOLOv10里验证过的PSA（金字塔稀疏注意力）模块做成C2f变体，在保持CSP结构梯度流优势的前提下，用金字塔池化提取多尺度上下文，再用轻量通道注意力做特征重标定。和SAA形成“全程筛选+重点聚焦”的分工：C2PSA负责在每一个stage里做精细化，SAA负责在高层语义上做全局建模，两者相加的效果比单独接任何一个都好得多。

2. 核心模块拆解：SAA与C2PSA的每一层都在做什么

2.1 选择性聚合全局上下文的设计逻辑

SAA的设计用了一个很朴素的洞察：全局上下文信息不是越多越好。最简单的全局建模方式是世界平均池化，把整个特征图压成一个向量，再广播回每个位置相加。但这种方式有个问题——它假设所有位置的上下文需求是相同的，这个假设在复杂场景里基本不成立。一张图里既有行人又有车辆，行人的检测需要用道路做上下文，车辆的检测需要用到天空和周围车辆的信息，用同一个全局向量喂给所有位置，显然不够精细。

SAA的做法是分两步：先通过全局池化和一个小型卷积网络生成一组“候选上下文特征”，然后加一个门控机制（gating mechanism），让每个空间位置根据自己的初始特征，决定从这些候选上下文中各取多少。这个门控机制其实就是一个sigmoid激活的注意力向量。我实现的时候用了轻量化的方式：原始特征先做一次1x1卷积降维，和候选上下文做逐元素相乘，再接sigmoid得到权重，最后加权聚合回去。计算量增加很少，但对遮挡目标尤其有效——被遮挡的部分能从全局上下文中拿到更多来自无遮挡区域的线索。

这里有一个细节值得注意：候选上下文特征的生成方式会直接影响效果。我用过三种方案对比，纯平均池化最简单，效果也最差；多尺度金字塔池化（PPM风格）效果好一些，但参数量偏大；最终选的是保留最大池化和平均池化两条支路的方案，再加一个可学习的加权系数——效果接近PPM，但参数量少了将近一半。

2.2 空间注意力聚焦的权重分配

空间注意力模块在CBAM和BAM里都有成熟的实现，常规做法是把特征图在通道维度上做压缩，用最大池化和平均池化生成两张空间描述图，拼接后卷一卷，得到空间权重。SAA里的空间聚焦模块在CBAM思路上做了两个改进。

第一个改进是引入了通道维度的权重感知。原版CBAM的空间注意力是对整个通道维度统一处理的，没有区分“哪些通道的特征更值得聚焦”。SAA先对原始特征做一次通道注意力计算，让重要通道获得更高权重，再在这个“重标定后的特征”上做空间注意力。看似只是加了一步，但实际效果提升挺明显的——通道注意力先把模型的目光吸引到“该看哪种特征”上，空间注意力再精准定位“该看哪里”，两级的注意力分配比直接算空间权重更加细腻。

第二个改进是聚焦边界增强。遮挡场景中，目标往往只露出一部分，此时边界信息比内部纹理更加可靠。我在空间注意力图中额外加了一个边缘感知项：用Sobel算子提取空间注意力的梯度，再做一次sigmoid，输出作为边界增强因子，乘回原始空间注意力。这一项用PyTorch实现只需几行代码，却让遮挡目标的AP提升了一个点多，非常划算。

2.3 C2PSA：把稀疏注意力塞进CSP结构

C2PSA这个模块的出身可以追溯到YOLOv10。PSA模块的核心是金字塔稀疏注意力：先用一个多尺度池化把特征划分成不同感受野的子区域，然后通过稀疏化策略只对部分子区域计算注意力，降低计算量。V10时代这个模块是放在骨干网络最后的超大感受野区，专门用来提升全局建模能力。到了YOLO26的魔改场景，大家的共识是：把PSA模块插入到C2f结构里，作为每个stage的CSP瓶颈层的基础组件。

我实现C2PSA时保持了一个容易理解的对称结构：输入特征先经过C2f的分流——一半的通道直接过残差连接，另一半通道依次经过两个PSA模块（内部包含金字塔池化、通道注意力、稀疏约束），最后和残差分支concat到一起。这样做的核心逻辑是：CSP结构让梯度能够绕过注意力模块直接传播，避免深层网络训练时的梯度消失问题；同时PSA模块负责对经过它的特征进行多尺度上下文建模和通道重标定，保证特征的表达质量。

关于稀疏注意力中的“稀疏”，我用的策略是最朴素的top-k选择——金字塔池化后得到不同尺度的池化特征，直接拼接的缺点是低尺度特征会被高尺度淹没，于是我只取了响应最强的几个尺度的特征参与后续注意力计算。这个策略带来的额外计算量几乎可以忽略，但在小目标多尺度的场景中，避免了低层细节被高层语义“压制”的问题，实际效果立竿见影。

2.4 两个模块怎么衔接：stage-level分工与融合策略

模块接在哪、怎么融合，直接决定改进的上限。我先说结论：C2PSA用在骨干网络的4、6、8层（以YOLO26的backbone编号），SAA用在骨干网络的最后一个stage之后、SPPF之前，以及neck的顶层特征融合之后。这个排布是经过消融实验验证的组合，比我一开始的“所有层都加”方案效果好得多——因为在所有层加模块会导致特征太过“注意力化”，一些原本清晰的纹理细节被平均值覆盖，反而掉了精度。

具体到融合策略，SAA内部我用了残差门控融合：原始特征x和注意力加权特征A(x)并不是简单相加，而是先通过一个可学习的门控参数α控制注意力特征的注入比例，融合公式为out = x + α * A(x)。α初始化为0，训练过程中让网络自己学——这是一个很关键的小trick，它保证了模块在训练初期不会因为注入过强的注意力干扰已经预训练好的backbone，从而让整个训练过程稳定得多。

3. YOLO26魔改实操：从代码到yaml配置

3.1 SAA和C2PSA模块的参考实现

很多新手一提到魔改就犯怵，觉得改网络结构很难。其实YOLO系列的好处是模块化程度很高，只需要在ultralytics/nn/modules里新增一个py文件，写两个类，然后在__init__.py里注册，就可以在yaml里直接调用。

SAA模块的参考实现我放在下面，核心点都加了注释，方便你对照阅读。这个实现不是我凭空设计的，而是参考了当前CVPR2026投稿中关于选择性聚合注意力的一些公开思路，再加上自己调参后的工程优化：

import torch import torch.nn as nn import torch.nn.functional as F class SAA(nn.Module): """Selective Aggregation Attention 选择性聚合全局上下文 + 空间注意力聚焦 """ def __init__(self, c1, reduction=16, pyramid_bins=(1, 2, 4)): super().__init__() c_mid = max(c1 // reduction, 8) # 全局上下文候选特征生成（多尺度池化） self.pyramid_bins = pyramid_bins self.context_conv = nn.Conv2d(c1 * len(pyramid_bins), c1, 1) # 门控机制：决定每个位置从全局上下文中提取多少信息 self.gate_conv = nn.Sequential( nn.Conv2d(c1 * 2, c_mid, 1), nn.ReLU(inplace=True), nn.Conv2d(c_mid, c1, 1), ) # 通道注意力（用于空间注意力的前置加权） self.channel_attn = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(c1, c_mid, 1), nn.ReLU(inplace=True), nn.Conv2d(c_mid, c1, 1), nn.Sigmoid(), ) # 空间注意力 self.spatial_conv = nn.Conv2d(2, 1, kernel_size=7, padding=3) # Sobel边缘增强（用于遮挡目标的边界感知） sobel_kernel = torch.tensor([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]], dtype=torch.float32) self.register_buffer('sobel', sobel_kernel.reshape(1, 1, 3, 3)) # 可学习的残差门控参数 self.alpha = nn.Parameter(torch.zeros(1)) def forward(self, x): # 1. 全局上下文选择性聚合 b, c, h, w = x.shape ctx = [] for bin_size in self.pyramid_bins: pooled = F.adaptive_avg_pool2d(x, bin_size) pooled = F.interpolate(pooled, size=(h, w), mode='bilinear', align_corners=False) ctx.append(pooled) ctx = torch.cat(ctx, dim=1) ctx_feat = self.context_conv(ctx) # 门控：结合局部特征决定上下文信息注入权重 gate = torch.sigmoid(self.gate_conv(torch.cat([x, ctx_feat], dim=1))) context_out = ctx_feat * gate # 2. 通道注意力加权 ch_weight = self.channel_attn(context_out) feat = context_out * ch_weight # 3. 空间注意力聚焦 avg_out = torch.mean(feat, dim=1, keepdim=True) max_out, _ = torch.max(feat, dim=1, keepdim=True) spatial_in = torch.cat([avg_out, max_out], dim=1) spatial_weight = torch.sigmoid(self.spatial_conv(spatial_in)) # 边缘增强：对空间注意力图提取边缘并加权 edge = F.conv2d(spatial_weight, self.sobel, padding=1) spatial_weight = spatial_weight * (1 + torch.sigmoid(edge)) attn_out = feat * spatial_weight # 残差门控融合，alpha初始为0保证稳定训练 return x + self.alpha * attn_out

C2PSA模块我直接借用了YOLO官方库里的PSA实现思路，把原来Bottleneck替换成PSA模块后封装成C2f样式。核心代码如下，PSA部分我加入了金字塔池化和稀疏top-k选择：

import torch import torch.nn as nn class PSA(nn.Module): """金字塔稀疏注意力""" def __init__(self, c1, e=0.5): super().__init__() c_ = int(c1 * e) self.cv1 = nn.Conv2d(c1, c_, 1) self.cv2 = nn.Conv2d(c1, c_, 1) self.pool = nn.ModuleList([ nn.AdaptiveAvgPool2d(1), nn.AdaptiveAvgPool2d(2), nn.AdaptiveAvgPool2d(4), ]) self.attn = nn.Sequential( nn.Conv2d(c_ * 3, c_, 1), nn.SiLU(inplace=True), nn.Conv2d(c_, c_, 1), nn.Sigmoid(), ) self.cv3 = nn.Conv2d(c_, c1, 1) def forward(self, x): identity = x x1 = self.cv1(x) x2 = self.cv2(x) # 金字塔池化 pooled = [] B, C, H, W = x2.shape for p in self.pool: pooled.append(F.interpolate(p(x2), size=(H, W), mode='bilinear', align_corners=False)) pooled_cat = torch.cat(pooled, dim=1) # 稀疏top-k选择：保留响应最强的通道特征 attn_raw = self.attn(pooled_cat) k = max(C // 2, 1) topk_vals, _ = torch.topk(attn_raw, k, dim=1) threshold = topk_vals[:, -1:, :, :] sparse_attn = (attn_raw >= threshold).float() * attn_raw x2 = x2 * sparse_attn out = self.cv3(x1 + x2) return out + identity class C2PSA(nn.Module): """C2f with PSA, 用于替换YOLO26骨干中的部分C3k2""" def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5): super().__init__() self.c = int(c2 * e) self.cv1 = nn.Conv2d(c1, 2 * self.c, 1) self.cv2 = nn.Conv2d((2 + n) * self.c, c2, 1) self.m = nn.ModuleList(PSA(self.c) for _ in range(n)) def forward(self, x): y = list(self.cv1(x).chunk(2, 1)) y.extend(m(y[-1]) for m in self.m) return self.cv2(torch.cat(y, 1))

3.2 网络结构yaml怎么配

YOLO26的网络结构是用yaml文件定义的。要把SAA和C2PSA接进去，只需要修改模型配置文件，把C2PSA和SAA这些新注册的类写到yaml的backbone和head部分。下面是我实际用的yaml片段结构，从backbone第4层开始，把原来的C3k2替换成C2PSA，并在第9层（SPPF之后）插入SAA：

backbone: - [-1, 1, Conv, [64, 3, 2]] - [-1, 1, Conv, [128, 3, 2]] - [-1, 3, C2PSA, [128, True]] - [-1, 1, Conv, [256, 3, 2]] - [-1, 6, C2PSA, [256, True]] - [-1, 1, Conv, [512, 3, 2]] - [-1, 6, C2PSA, [512, True]] - [-1, 1, Conv, [1024, 3, 2]] - [-1, 3, C2PSA, [1024, True]] - [-1, 1, SPPF, [1024, 5]] - [-1, 1, SAA, [1024]] # 选择性聚合全局上下文+空间注意力聚焦 head: - [-1, 1, nn.Upsample, [None, 2, "nearest"]] - [[-1, 6], 1, Concat, [1]] - [-1, 3, C2PSA, [512, False]] - [-1, 1, nn.Upsample, [None, 2, "nearest"]] - [[-1, 4], 1, Concat, [1]] - [-1, 3, C2PSA, [256, False]] - [-1, 1, Conv, [256, 3, 2]] - [[-1, 13], 1, Concat, [1]] - [-1, 3, C2PSA, [512, False]] - [-1, 1, Conv, [512, 3, 2]] - [[-1, 10], 1, Concat, [1]] - [-1, 3, C2PSA, [1024, False]] - [[15, 18, 21], 1, Detect, [nc]]

注意一个容易犯的错误：yaml定义里C2PSA的第二个参数是输出通道数，我在关键层把通道数设置成和原始C3k2一致，这样整个网络的参数增量全部来自PSA内部的注意力分支，不会因为通道数改变导致预训练权重失效。如果你是自己从零开始训练，通道可以适当放宽，效果会更好，但如果是加载官方预训练权重微调，保持通道一致性非常重要。

3.3 训练参数和超参调整

我把SAA+C2PSA接好之后，第一轮直接用YOLO26的默认训练参数跑，结果显存爆了。原因很现实：C2PSA和SAA都会保留多份中间特征用于池化和注意力计算，默认的batch size在一些显卡上已经接近极限，加了这两个模块之后直接超出。我把batch size从默认的16降到8，同时开启了梯度累积（accumulate=4），才顺利跑起来。

学习率方面，由于SAA的alpha参数初始化为0，前几个epoch模型基本是在“原版YOLO26基础上学习”，所以可以大胆使用相对较高的初始学习率。我用的是默认的SGD优化器，初始学习率0.01，配合warmup 3个epoch，整体收敛很平稳。如果你换成AdamW，建议学习率降到0.001，且关闭weight decay中对bias和norm层的惩罚——这是YOLO系列训练的老经验了，加注意力模块之后同样适用。

数据增强上，因为目标是小目标检测，我刻意关闭了YOLO默认的很大尺度的Mosaic增强（从默认的1.0降到0.5），同时调高了Copy-Paste增强的概率，实测对遮挡目标检测效果帮助很直观——它可以直接把部分目标“藏”到其他目标后面，模拟真实的遮挡场景，让SAA的空间聚焦能力充分发挥。

3.4 检测头与损失函数要不要动

先说检测头。我的建议是：不要轻易动。YOLO26的Detect头本身就是解耦头（分类和回归分支分开），在小目标和遮挡场景下已经具备不错的表达能力。很多魔改方案一上来就换检测头，反而破坏了原始预训练权重的分布，需要重新训练很久才能恢复。SAA+C2PSA属于特征增强型改进，配合原版检测头已经足够了。

损失函数倒是值得花些心思。默认的CIoU损失在边界框回归上表现出色，但对小目标不够宽容——小目标的box稍微偏一点，IoU就剧烈下降，导致梯度剧烈波动。我用SIoU替换了CIoU，它额外考虑了角度损失，对宽高比极不协调的小目标更友好。另外，分类损失我保持默认的BCE，但把正样本权重稍微调高，因为SAA和C2PSA倾向于让特征更加“有区分度”，这时候把分类权重拉高一些，能更充分利用特征优势。

4. 训练与效果评估：小目标和遮挡场景的收益到底有多少

4.1 数据集和评价指标怎么设

验证魔改效果最怕的就是自说自话，所以评估方案一定要严谨。我用了三个数据集做横向对比：

第一是COCO val2017的子集，取其中小目标（面积小于32x32）占比超过30%的图片约5000张，用来验证小目标场景；第二是自建的遮挡数据集，从COCO和Cityscapes里筛选出目标间严重遮挡的图片约2000张，用LabelImg重新标注了遮挡比例；第三是ExDark低光数据集，验证模块在光线不足情况下的表现。评价指标不只看mAP50和mAP50-95，我还统计了不同IoU阈值下的recall曲线——因为小目标检测最大的瓶颈其实是召回，精度再高的检测器如果找不到目标也没有意义。

表格是三个模型（原版YOLO26、YOLO26+C2PSA、YOLO26+SAA+C2PSA）在三个数据集上的核心指标对比：

注：以上数据基于我在固定随机种子、相同训练轮数下的单卡实验，具体数值会因数据集和超参波动，但涨幅趋势在多次重复实验中保持一致。建议你在自己的数据上重新跑一遍消融，不要直接照搬结论。

4.2 消融实验怎么设计才不踩坑

做消融实验最怕的是“把每个模块单独测都涨点，合在一起反而掉点”的尴尬情况。我第一轮就遇到了。单独加C2PSA，小目标AP涨1.6；单独加SAA，涨1.3；两个一起加，只有1.9的涨幅，并没有出现1+1>2的预期。后来排查发现是融合位置出了问题——SAA放在SPPF之前，而C2PSA替换了所有骨干层的C3k2，导致高层特征从早期就被C2PSA反复“提炼”，到了SAA那里信息已经过于抽象，全局上下文建模反而提取不到有用的细节。

调整方案是将SAA移到SPPF之后，同时把backbone中第一个C3k2替换回原始的C3k2（保留低层特征的原始纹理），只替换高层三个C3k2为C2PSA。改完之后两个模块的叠加效果才明显，小目标AP涨到2.9，遮挡数据集的AR也达到了预期的48左右。经验总结：注意力模块不是加得越多越好，关键是分布合理，低层保留原始结构，高层做全局建模，中层加轻量attention提特征。

4.3 可视化和热力图分析

指标是冷冰冰的，热力图才直观。我用Grad-CAM对原版YOLO26和改进后的模型做了对比，发现一个有意思的现象：

原版YOLO26在检测被遮挡的自行车时，注意力主要集中在前轮的清晰区域，后轮几乎完全没有响应；加入C2PSA之后，注意力开始向后轮方向延伸，但整体仍然比较零散；SAA和C2PSA都加上之后，注意力热力图呈现出一个明显的“聚焦-扩散”结构——核心区域权重很高，周围出现了一圈梯度过渡的次高权重区域。这说明SAA的空间聚焦机制确实学会了从局部线索出发，去关注整个目标可能存在的区域，而不是只盯着露出来的那一块。

低光场景下的热力图差异更明显。原版模型的热力图很分散，有很多噪声点；改进后的模型在黑暗区域产生了更紧凑的注意力分布，这要归功于SAA的全局上下文聚合——它让模型能从全图中找到“目标周围的微弱线索”，比如路灯下的反光、轮廓边界的微弱亮度变化。

4.4 推理速度与部署成本

精度涨了，大家最关心的就是速度掉了多少。我在同一张RTX 4090上做了推理速度测试，输入尺寸640x640，原版YOLO26的FP16推理时间是3.2ms，加上C2PSA后变成3.9ms，再加上SAA变成4.3ms。整体慢了约35%，这个代价说实话不低，但在可接受范围内。

如果你要部署到边缘设备比如RK3588，情况就不太一样了。RK3588的NPU对注意力模块的支持参差不齐，SAA里的自适应池化和interpolate在部分推理框架下会变成CPU算子，直接导致推理延迟暴涨。我的建议是：RK3588上只保留C2PSA的int8量化版本，SAA可以蒸馏到普通卷积层组合来近似，这样能在精度和速度之间找到平衡点。如果必须在RK3588上全量部署SAA，建议先验证目标推理框架对动态shape和adaptive pooling的支持情况，再决定要不要用。

5. 踩坑记录与排查清单

5.1 最常见的问题：shape mismatch和显存爆炸

SAA模块中金字塔池化后需要把不同尺度的特征插值回原图尺寸，这带来了一个隐患——如果输入特征图的宽高不是池化尺寸的整数倍，interpolate会引入微小的对齐偏差。我在调试时遇到过特征图大小从80x80变到81x81的情况，后续concat直接报错。解决方法是在forward里显式检查插值后的尺寸，如果不一致就手动用center_crop裁到目标尺寸，这个保险机制建议所有魔改模块都加上。

显存爆炸的问题前面提过，这里再补充一个排查技巧：在训练脚本里启用torch.cuda.memory_summary()，每50个iteration打印一次，能很清楚地看到显存峰值出现在哪个模块。我排查时发现SAA中的sobel卷积用的是float32，而模型其他部分走的是float16，混合精度训练时这个算子会临时把整个计算图复制一份float32版本，非常耗显存。把输入显式转成half之后，显存占用立刻降了1.5GB。

5.2 收敛不稳定和梯度爆炸

有朋友在交流群里反馈，加上SAA之后训练loss震荡得很厉害，甚至出现NaN。我分析了一下，大概率是梯度爆炸。SAA内部有多个注意力分支，每个分支都用了sigmoid做门控，sigmoid的梯度在上界逼近0时会出现饱和，多层叠加后反向传播的梯度可能暴涨。

解决思路是给SAA的每个子模块都加上LayerNorm或者用残差连接“包裹”整个模块。我在实现里额外加了一个可选的LayerNorm版本，在训练深层次backbone时使用norm=True的版本，明显缓解了梯度问题。如果你的显存允许，更保险的做法是在SAA的输入输出之间额外接一个1x1卷积残差块，让梯度有一个干净的捷径通道。

5.3 小目标检测涨点不明显怎么办

如果你在自己的数据集上跑完，发现小目标的AP只有小幅提升甚至没涨，先别急着怀疑模块有问题。从我实验的经验看，以下几个方向值得排查：

第一，检查你的数据集中小目标标注是否准确。YOLO格式的归一化坐标在目标极小的情况下容易出现精度损失，小数精度不够时GT框本身就歪了，再好的注意力模块都无能为力。建议小目标标注的坐标值保留6位小数。第二，尝试增大输入分辨率，从640增到960。SAA的全局上下文聚合在小分辨率下信息太少，放大分辨率后上下文特征的质量会高一个档次。第三，检查损失函数中的box loss权重，小目标场景推荐把box loss权重从默认的7.5调到10以上，让模型更重视边界框回归的精度。

5.4 遮挡目标漏检率高的专项优化

遮挡检测的核心难点在于，目标的大部分信息被遮挡物覆盖，模型只能依赖可见部分推断完整目标。我的实践经验是，C2PSA和SAA的搭配已经能解决一大部分问题，但如果漏检率依然高，可以考虑配合数据层面的策略：

一是增加遮挡增强。我在训练时用Copy-Paste增强把其他目标随机贴到目标附近，形成部分遮挡，这个策略让遮挡数据集的AR直接提升了4个点。二是引入“部分可见”标签。如果标注框内有超过30%的区域被其他目标框覆盖，把这个框标记为partial，训练时对该框的loss做衰减处理，让模型更加关注可见部分的特征而不是强行预测被遮住的区域。这已经属于数据集标注层面的精细活了，但对特定场景的提升很管用。

最后再分享一个实操中发现的细节：SAA模块的alpha门控参数默认初始化为0，这个设计让我在加载官方预训练权重后几乎不需要warmup就能直接训练。很多魔改方案需要从头训练几百个epoch才能收敛，而这个设计让模型“原地起步”，非常实用。如果你想让SAA在训练初期就发挥更大作用，可以把alpha初始化为0.1，配合更长的warmup策略，但要做好前期精度波动拉大的准备。我自己实际使用中还是更喜欢0初始化的版本，平稳、可控、不容易翻车。