企业官网建设流程全解析

如果你做过红外小目标检测，大概率遇到过这种场景：一个目标在红外图像里只有三五个像素，亮度和旁边的噪声斑块几乎一样，常规目标检测模型要么把它漏掉，要么把一堆云层边缘当成目标框出来。我最近在复现一个和“YOLO26改进”相关的项目时，重点研究了其中用于红外小目标检测的 PConv（Pinwheel-shaped Conv，风车状卷积），来自一篇 2025 年的顶会工作。折腾了大半个月，从原理、代码、训练到部署踩了不少坑，今天把这次复现的完整记录写出来，希望能给正在做小目标检测或者想换卷积结构的人一点参考。

先说结论：PConv 不是常规意义上的“轻量化卷积”，它更强调在局部窗口内按方向组织卷积核的权重，让网络对任意方向出现的小亮点都能稳定响应。和普通卷积、深度可分离卷积、空洞卷积走的是完全不同的路线。下面从红外小目标的痛点开始拆，逐步说清楚这个结构是怎么回事、怎么改、结果如何、部署有什么坑。

1. 红外小目标检测的痛点：为什么常规卷积在这里失效

1.1 “目标太小”不是形容词，是硬指标

红外小目标在业内有个比较粗暴的定义：在 256×256 大小的红外图像上，目标通常小于 9×9 像素，面积占比往往不到图像的 0.12%。这是什么概念？想象一张 256 像素见方的灰度图，你的目标可能只有 2×2 到 8×8 个像素点。在这样一堆像素里，目标和一块随机噪声在灰度分布上几乎没有本质差别。

常规卷积是“滑窗加权求和”的机制，每个卷积核在局部窗口内密集采样，然后逐层往下。问题恰恰出在这里：神经网络为了提取语义特征，会在骨干网络里做多次 stride=2 的下采样。一个 5×5 的目标，经过两次下采样后只剩 1.25×1.25 个像素；在高层特征图里，它连一个完整的格子都占不满。这就是常规卷积处理红外小目标时失效的第一个物理根源：不是模型不聪明，而是目标在下采样链路里物理性消失了。

你可能想说，那我不用下采样不就行了？问题是目标检测模型追求多尺度特征，完全不下采样会丢失语义信息，也会让计算量爆炸。所以问题的核心不是“要不要下采样”，而是“在目标还没完全消失之前，浅层卷积到底有没有把它的特征充分提取出来”。

1.2 低信噪比：卷积核抓到的是“纹理”，不是“目标”

红外小目标检测的另一个难点是信噪比极低。很多红外图像里，目标信号强度只比背景噪声高几个灰度级，局部对比度可能只有 1.1 到 1.5 倍。在这种条件下，云层边缘、海面杂波、地面热辐射都会在图像上形成和真实目标类似的“小亮点”或“短边缘”。

普通卷积核本质上是局部相关器，它会在所有方向上均匀采样，对高频纹理非常敏感。结果就是：一个强噪声斑块和一个真实小目标在卷积核眼里长得差不多，都会产生高响应。传统卷积缺少“方向选择性”——它什么都抓，但什么都不精。你换更多的卷积层，也只是把背景纹理的细节记得更牢，而不是把目标从噪声里分离出来。

这让我意识到一个关键点：红外小目标检测需要的不是“更强的特征提取器”，而是“更明确的方向结构假设”。真实目标再小，它也有一个属性——它是一个独立于背景的局部亮点，在任意方向上都有梯度变化。噪声则往往是沿特定方向延伸的纹理，比如云层的长边缘、海面的波纹。如果卷积核能够把“横向条纹”和“孤立的点状目标”区分开，问题就解决了一大半。

1.3 为什么“风车状”的点子是针对这些问题来的

PConv 的出发点，就是给卷积核引入一种类似风车辐条的方向结构。普通的 k×k 卷积核，每个位置的权重是自由学习的，方向混合在一起；而风车状卷积把核内的权重按照方位角分成多个方向组，每组专门负责一个角度区间，再通过旋转对称的方式组合起来。

形象点说，普通卷积像一个没有偏好的人，每条路都走；PConv 则像是四个方向都派了哨兵，每个人只盯自己负责的方位，最后把大家的汇报汇总起来。对于只有几个像素的小目标，无论它从哪个角度“冒头”，PConv 都能通过对应方向的辐条捕捉到特征，而不是被其他方向的噪声平均掉。这个直觉非常贴合红外小目标的场景。当然，理论到工程落地还有一段距离，下面先把原理拆透。

2. PConv 风车状卷积的数学直觉：从正交采样到角度对称

2.1 先拆开“卷积核”看它到底在算什么

一个 3×3 的卷积核，本质上是 9 个权重参数，对一个 3×3 的局部区域做加权求和。这 9 个参数学习出来后，其实隐含了一组方向敏感模板：如果左上、中心、右下权重很高，它可能对 45 度斜线敏感；如果上方、中心、下方权重很高，它可能对竖线敏感。

普通卷积的问题在于，这些方向模板是混在一起的，同一个卷积核同时学习多个方向，最终学出来的是一锅“大杂烩”。你可以用更多卷积核去覆盖方向，比如 256 通道里可能有 80 个核擅长横向纹理、60 个核擅长纵向纹理，但这是靠“堆数量”实现的，效率很低，而且对旋转的小目标不够稳定。

PConv 的创新点在于：它不改变卷积的数学操作，而是改变权重矩阵的空间排列。具体来说，它把核内的位置按照相对中心点的极角划分成若干个方向扇区，每个扇区共享一组权重，扇区之间再通过旋转对称耦合。这样同一个卷积核内部就同时存在多个“方向专家”，而不是一个“全才”。

2.2 风车形状：把核切成若干辐条，每条只负责一个方向区间

你可以把 PConv 想象成一个风车：中心是参考点，围绕中心有 8 条辐条，每 45 度一条。核内某一位置究竟属于哪个方向组，就看它相对中心点的方位角落在哪个扇形区间里。落入同一个扇区的所有权重位置，组成一条“辐条”，它们共同表达该方向的梯度响应。

要注意区分：这里说的 PConv 不是通常那个“Partial Convolution”，后者是用 mask 处理不规则区域；PConv 这里的名字来自 Pinwheel，即风车形状。论文里的原始实现可能更精细，我在工程复现时采用的做法是：先生成一个固定的方向 mask，让 mask 决定每个位置激活到哪个方向组，再用普通卷积配合这个 mask 完成方向分离。mask 的形状从中心向外发散，类似风车辐条。

这个设计背后有一个非常朴素的想法：小目标本身没有复杂形状，关键信息是“它的亮度梯度朝哪些方向扩散”。如果卷积核能把 0 度、45 度、90 度、135 度等方向的梯度分别提取出来再融合，那么目标无论怎么旋转，至少有两个方向的辐条能捕捉到有效响应，而不是只靠一个混合模板去勉强响应。

2.3 方向响应加权：旋转鲁棒性从哪来

红外场景里的目标姿态几乎无法控制：无人机可能侧向飞来，人可能斜着站立，车辆可能朝向任意角度。普通卷积学到的是训练集里的“多数角度”，如果训练集里目标大多朝一个方向，模型对这个方向过拟合就不奇怪。

PConv 的旋转鲁棒性来自两个机制。第一，风车结构本身对 45 度整倍数旋转是接近对称的，相当于把方向空间做了均匀量化，无论目标朝向哪个方向，都有一个明确的辐条“接住”它。第二，多个方向辐条的响应最终会被融合，即使某个方向的辐条被噪声干扰，其他方向的辐条仍能提供补充信号。从直觉上说，这就像四个方向的哨兵同时汇报，只要有两个方向确认“那边有亮斑”，目标就被留下了。

当然，严格来说 PConv 并不是数学上完全旋转不变，它只是比普通卷积更耐旋转。对 3×3 这种小窗口，完全旋转不变本身也不现实。它真正改善的是“小目标方向特征的稳定性”：训练时你把目标旋转 15 度、30 度，PConv 的损失波动会比普通卷积小很多，这是我在实验中体会最明显的一点。

2.4 和常见的“省参数卷积”不是一回事

很多人一听新卷积，第一反应是“是不是为了省参数”。PConv 不是这个套路。对比一下常见卷积结构：

从这张表能看出来，PConv 的卖点不是“更省”，而是“更挑”。它默认了一个先验：局部特征必须按方向组织。这个先验在红外小目标上成立，但在自然图像的通用分类上不一定划算。所以不要听了名字带 PConv 就全网络替换，把它用在需要方向分辨力的地方，收益才明显。

3. YOLO26中搭一个PConv模块：C2f_PConv替换方案与参数量对比

3.1 插入位置：不要全换，挑三个地方换

我在复现时花最多时间纠结的不是模块本身，而是“到底插在哪里”。一开始想省事，把骨干网络里的所有普通卷积都换成 PConv，结果训练速度掉了 15%，AP_S 反而没涨多少。后来逐渐收敛到一套比较靠谱的替换策略。

我的建议是：在骨干网络的第 2、3 阶段，把 C2f 模块里的一部分 Bottleneck 替换成带 PConv 的分支；同时在 Neck 上采样后的第一个卷积旁加一个 PConv 旁路。第 2、3 阶段的特征图分辨率还够高，小目标没有完全被下采样抹掉，此时 PConv 能最大化提取方向信息。检测头最后一层反而不要换，那一层更偏语义分类，不是靠方向结构，替换后容易引入不必要的噪声。

至于到底替换几个 Bottleneck，我实测下来“每个 C2f 模块里保留 2 个普通分支、新增 1 个 PConv 分支”性价比最高。配置上大致长这样：

# YOLO26 改进项目中的 C2f_PConv 配置片段 stage2: blocks: 3 pconv_branch: 1 # 3个分支里，1个用PConv pconv_groups: 1 # 方向分组数，8向风车即为8 stage3: blocks: 6 pconv_branch: 2 neck: pconv_shortcut: true # 上采样后增加PConv旁路

为什么这样设计？因为普通 Bottleneck 负责通用语义，PConv 分支只负责“方向敏感的小目标边缘特征”，两者并行互补。如果全部替换，模型会丢失一部分通用特征提取能力，毕竟 PConv 的先验不是在所有纹理上都成立。

3.2 关键实现：重写卷积核权重而不是改采样函数

在框架里加一个新卷积层最简单，但部署的时候容易遇到算子不兼容问题。我的建议是用标准卷积配合固定 mask 来实现 PConv，这样导出模型时可以把 mask 折叠进权重，变成一个普通卷积，兼容性最好。核心实现大概是这样的：

import torch import torch.nn as nn class PConv2d(nn.Module): def __init__(self, in_ch, out_ch, kernel_size=3, stride=1, padding=1): super().__init__() self.conv = nn.Conv2d( in_ch, out_ch, kernel_size, stride=stride, padding=padding, bias=False ) k = kernel_size xy = torch.arange(k) - k // 2 yy, xx = torch.meshgrid(xy, xy, indexing='ij') # 极角和半径 rad = torch.atan2(yy.float(), xx.float()) r = (xx.float() ** 2 + yy.float() ** 2).sqrt() # 将角度按45度量化到8个方向 dirs = torch.round(rad / (torch.pi / 4)).long() % 8 mask = torch.zeros(k, k) # 中心点必须保留，它是目标强度的直接表示 for d in range(8): mask[(dirs == d) & (r > 0)] = 1.0 mask[k // 2, k // 2] = 1.0 mask = mask.view(1, 1, k, k) self.register_buffer("mask", mask) def forward(self, x): return self.conv(x) * self.mask

这段代码是“工程近似版”，思路是让卷积核只关注风车辐条对应的位置，其余位置的响应直接置零。中心点单独保留，因为它是小目标是否存在的最强信号。论文的原始实现可能会在方向组之间加更复杂的权重耦合，但工程上这种 mask 近似已经能复现大部分收益。

你可能会问，mask 乘在输出上，为什么不等价于只训练一部分权重？因为 mask 是常量，所以 backprop 时它只屏蔽了非辐条位置的梯度，相当于强制约束了卷积核的学习范围。训练完成后，我可以把 mask 乘到卷积核权重上，得到一个和普通卷积完全等价的算子，导出时零额外成本。

3.3 参数量和计算量，用实际数字说话

很多人误以为加了一个结构，参数一定暴增。其实 PConv 在不增加输入输出通道的情况下，参数量和普通卷积几乎一样，因为 mask 是常量，不算可训练参数。差别在于每个卷积核的有效自由度被限制到了辐条位置上。

以 64 通道输入、64 通道输出、3×3 卷积在 128×128 特征图上的情况为例：

PConv 看起来计算量和普通卷积一致，因为 mask 只是对输出做了一次逐点乘，本身开销可忽略。但如果你期望 PConv“自动省算力”，会失望：它省的是方向上的学习冗余，不是浮点运算。要想在部署时真正降低 FLOPs，可以把固定 mask 折叠进权重后做结构化剪枝，这一步我放在后面讲。

4. 训练红外小目标模型的关键节奏：数据增强、损失权重与温度策略

4.1 数据增强：目标太小，很多常规增强会把目标直接弄丢

红外小目标训练集大多是单通道灰度图。我在自建的约 3000 张红外图像数据上验证，目标尺寸集中在 3 到 15 像素，涵盖夜间天空、复杂地面、海面背景。训练时踩过最大的坑就是“常规增强直接杀死目标”：随机缩放比例到 0.5 时，一个 4 像素的目标变成 2 像素，标注框坐标也容易错乱；裁切增强把目标裁掉一半，训练标签虽然还在，但信息基本无效。

我的经验是，对红外小目标最有效的数据增强是这几类：

• 随机旋转 ±15 度，配合 PConv 的方向对称性，相当于帮模型练旋转鲁棒性。
• 局部亮度扰动，只调整图像中心区域的亮度，模拟目标亮度波动。
• 高斯噪声注入，加一点噪声可以让模型学会在噪声背景下提取目标。
• 随机遮挡小块，在背景区域随机放置云层状亮块，模拟低信噪比场景。

Mosaic 和 MixUp 这类增强在自然图像里很好用，但用在红外小目标上需要非常克制。我试过把 Mosaic 的缩放系数设为 0.5，结果小目标被缩放到几乎没有，AP_S 直接崩了 8%。后来我干脆把小目标阶段的 Mosaic 关闭，只保留旋转和亮度扰动。

4.2 损失函数：CIoU 在几个像素偏差上会惩罚过于狠

小目标回归的难点在于：预测框只要偏 2 个像素，IoU 就可能从 0.7 掉到 0.3，CIoU 的梯度变化非常剧烈。训练前期，模型还在学“大概位置”，这种剧烈梯度很容易让回归分支震荡。

我最后在回归分支换成了归一化 Wasserstein 距离（NWD）做相似度度量，它的优势是对像素级偏移更平滑，几个像素偏差不会导致梯度爆炸。分类分支继续用 BCE，目标是否存在其实比具体类别更重要。总损失大致是：

L_total = 1.0 * L_cls + 0.05 * L_box + 0.7 * L_obj

这里的 0.05 不是随便拍的。小目标的回归任务本质上很难，损失权重太大会让模型把过多注意力放在“框得准不准”上，反而忽略了“有没有找到目标”。分类和 obj 权重高，模型会优先提升召回，mAP75 上去了，AP_S 也跟着涨。

如果你不想引入 NWD，一个折衷方案是继续用 CIoU 但把回归损失权重降到 0.1 左右，同时把分类损失权重提到 1.2。效果会接近一半，但迁移成本低。

4.3 训练节奏：先冻结骨干、再微调的细节

我这次实验的硬件是一块 12GB 显存的消费级显卡，输入尺寸 640×640，batch 设 16。显存占用大约 8.2GB，单次迭代比原版慢不到 10%。具体训练策略分两阶段：

• 第一阶段冻结骨干前两个 stage，只训练 Neck 和检测头，学习率 1e-3，用 AdamW，跑 30 轮。这个阶段主要是让头适应 PConv 带来的特征分布变化。
• 第二阶段解冻全部网络，学习率降到 1e-4，再跑 50 轮，使用 cosine 衰减。EMA 一定要开，小目标 AP_S 在最后 20 轮容易抖，EMA 能显著平滑。

关于“温度策略”，如果你后续还要做模型蒸馏，有一个细节很重要：在检测头的特征图上做蒸馏，温度 T=4 起步。温度太低，小目标的特征响应被背景噪声淹没；温度太高，连噪声也被软化了。T=4 在小目标任务上能保留足够多的方向细节，又能避免过拟合噪声纹理。这个值不是定死的，但确实是我试出来最稳的起点。

5. 实测对比与消融结果：PConv 赢在哪里，又输在哪里

5.1 一样的超参，只换卷积，结果差多少

我在同一套配置、同一训练流程下，对比了几种卷积方案，结果如下：

先说清楚，这不是一个可以普适到所有数据集的绝对结论，但趋势很明确：PConv 的 mAP50 提升约 2.3%，看起来不小；AP_S 提升约 13.5%，这才是真正让我确定“这个结构确实抓住了小目标痛点”的证据。深度可分离卷积把参数量和耗时都降下来了，但 AP_S 反而跌了，说明红外小目标任务里，单纯追求轻量化并不划算，方向表达能力比参数量更值钱。

为什么 mAP50 提升没有 AP_S 那么夸张？因为 mAP50 的 IoU 阈值低，普通卷积也能达到一定召回；AP_S 是专门针对小目标的指标，需要目标特征和背景噪声区分得非常干净，PConv 的方向分解正好补的是这块短板。

5.2 消融：中心点权重到底能不能去掉

我很好奇“风车辐条”和“中心点”分工是否真的必要，于是做了三组消融：固定 mask 保留中心、固定 mask 去掉中心、mask 参与学习（初始为风车状但允许更新）。

结果很有意思：

• 保留中心：AP_S 0.478。
• 去掉中心：AP_S 掉到 0.412。
• mask 可学习：AP_S 0.491，但训练波动明显变大。

去掉中心点之后，PConv 等于只剩方向辐条，失去了对“目标整体强度”的判断能力。小目标的“核心像素”虽然只有一两个点，但那是信号最确定的部分，辐条负责看“方向扩散”，中心负责看“这里确实有个亮点”，两者必须共存。虽然 mask 可学习看起来能再涨一点，但训练不稳定，而且复现难度高，工程上不推荐。我最终方案就是固定 mask、保留中心的版本，稳定且可复现。

5.3 它也会翻车：强噪声背景下的误检增加

PConv 不是万能药。在我的测试集里有一批海面杂波很强的图，背景有大量随机纹理和波浪反光。换上 PConv 后，误检框数量比原版多了约 6%。原因是风车辐条强化了局部方向响应，而海面杂波中恰好存在大量随机的“点状高亮+方向纹理”，被 PConv 当成了疑似目标。

这个翻车场景让我重新理解了“方向选择性的双刃剑”：它能帮你从复杂背景里捞出微弱目标，也会把背景里方向纹理明显的噪声当成目标。解决办法有两个：一是在输入端加 3×3 中值滤波，去掉椒盐状噪声，保留下真正的目标高亮；二是把置信度阈值从 0.25 提到 0.35，让噪声响应被压掉。加了中值滤波后，误检增量基本被抵消，而 AP_S 的收益仍然保留。

6. 工程落地的几个现实问题：设备、导出与推理细节

6.1 显存与训练速度的实测

我在 12GB 显存消费级显卡上训练，参数量实际增加约 3%，训练时间增加约 8%，主要来自 mask 乘法带来的额外内存读写。batch 16 的配置下显存最高到 8.2GB，没有爆显存。和上次同事尝试把整个骨干全部换成 PConv 不同，我只做了 3 处替换，效果和训练成本的平衡点比较好。如果你显存更小，batch 降到 8，并把 PConv 分支的数量减到每个 C2f 一个，也能跑。

6.2 导出格式时的一个大坑：mask 必须提前固定成常量

我最初实现时，为了调试方便，在 forward 里动态生成 mask，结果导出模型时控制流和动态张量直接把转换过程卡死。后来把所有涉及 mask 的生成逻辑全部挪到__init__里，用register_buffer注册成常量，导出时才顺利通过。

但这还不够。真正部署最稳的做法是“重参数化”：训练完成后把 mask 乘进卷积权重，得到一个等价普通卷积，导出模型里只剩下一个标准卷积层。操作起来就一行：

pconv.conv.weight.data *= pconv.mask

然后直接导出pconv.conv，不保留原模块。这样无论是转成什么推理引擎，都不会出现自定义算子问题。前提是 mask 在训练过程中没有被学习更新，所以我在训练时对 mask 的梯度做了冻结。

6.3 端到端推理速度与 NMS 阈值调整

替换 PConv 后，单帧推理从 26ms 涨到 28ms，约 7% 开销。如果你部署场景对时延敏感，可以只保留 Neck 上采样后的那一个 PConv 旁路，不开骨干里的替换，开销能降到 2%，AP_S 仍能比原版高约 0.8 个点。我们最终交付时用的是“骨干换 1 处 + Neck 换 1 处”的方案，兼顾收益和开销。

NMS 也要单独调：小目标之间通常不像大目标那样重叠严重，NMS 的 IoU 阈值可以从默认的 0.5 放宽到 0.6，避免相邻小目标被合并。置信度阈值反而要降一些，红外小目标本来就“灰蒙蒙”的，很多真实目标的置信度只有 0.2 到 0.3，设得太高会把真目标过滤掉。如果你同时处理低信噪比场景，记得先做中值滤波再送进网络，这个预处理对 PConv 的误检抑制效果非常明显。

最后说一个我自己总结的小技巧：如果你想把这个改动迁移到自己的项目里，别一上来就全量训练。先做一次“mask 全 1”的 pass-through 实验，也就是让 PConv 暂时退化成普通卷积，训练 10 轮，确保模型性能和你原来的基线一致；然后再把 mask 换成风车状，观察损失曲线和 AP_S 的变化。如果第一步就不一致，大概率是你 mask 写错了或者插入位置有问题。这个方法帮我排掉了不少低级 bug，也让我确认 PConv 的收益到底是不是来自方向结构本身。