企业官网建设流程全解析

简介：这是一份基于YOLOv5与SAHI模块的小目标检测演示源码包，面向需要处理遥感、航拍等小物体识别场景的深度学习开发者。项目完整展示了超分辨率增强与目标检测相结合的流程，在PyTorch 1.7.1及CUDA 10.1环境下即可运行。压缩包共4个文件，包含Python主程序、预训练权重文件、运行说明文档和示例检测图片，包体约23MB，配置轻量、上手门槛低。目前已有503人学习下载，适合正在研究小目标检测、希望快速搭建实验环境或了解SAHI集成方式的读者。通过阅读代码注释与运行说明，可掌握数据集组织方式、模型推理调用逻辑以及超分辨率预处理思路，并直接基于自带权重和样例图片验证效果，为进一步调整训练参数或迁移到自定义数据集提供参考。

1. 小目标检测为什么总卡在“看不见”上：yolov5 + SAHI 的破局思路

做目标检测最让人头疼的不是模型不收敛，而是明明模型已经训得很好，却在测试集上拿不到高分——仔细一看，漏检的几乎全是小目标。航拍图像里的车辆、监控画面里远处的人、工业质检照片上的微小划痕，这些目标的像素占比常常不到整张图的 1%。用原图直接丢给 yolov5，下采样几轮之后特征图上的响应就模糊成一团了。这个问题的根源不在模型容量，而在输入链路：小目标的特征在逐层卷积前就已经被“稀释”了。

这套“基于 yolov5 + SAHI 模块完成超分辨率以及小目标检测”的演示源码，核心思路是用两条腿走路：先做超分辨率重建，把输入图像的分辨率拉高，让原本只有十几个像素的目标膨胀到几十个像素；再用 SAHI（Slicing Assisted Hyper Inference）对高分辨率图做切片推理，把大图切成带重叠区域的小块分别检测，最后把检测框映射回原坐标。这条路适合两类人：一是刚入门、想跑通“超分 + 检测”串联流程的开发者，二是已经在用 yolov5 做航拍、遥感、安防等小目标密集场景的工程师。本文不会去逐行解读某个现成仓库的源码，而是把这个方向最常见的落地路径、参数设置和翻车点讲清楚，你照着搭建就能复现一套可用的演示链路。

2. 先把三个核心组件拆开：yolov5、SAHI、超分辨率各自解决什么问题

2.1 yolov5 在整条链路里的定位：检测器而非特征提取器

yolov5 在这套方案里承担检测任务，它的输入输出接口大家已经很熟悉了。但要注意，yolov5 的检测头在 COCO 上有三个尺度：P3（小目标）、P4（中目标）、P5（大目标），其中 P3 特征图对应原图的 1/8 分辨率。对于 640×640 的输入，P3 层上每个网格对应原图 8×8 像素的区域，一个 16×16 像素的小目标落到 P3 层上只剩 2×2 个格点响应。这就是为什么直接硬训 yolov5 做小目标检测效果不佳——不是模型不努力，是输入分辨率限制了上限。

SAHI 的切入点是“让检测器看得更近”。它把原图切成若干个小块，每个小块按接近原图尺寸的比例送进检测器，相当于在不改动模型结构的前提下，把有效推理分辨率抬高了好几倍。超分辨率模块则更进一步，在切片之前先把图像的整体信息密度提上来，让切出来的每个小块都保留更多纹理细节。两个模块一前一后，正好补上 yolov5 原生推理在小目标上的短板。

2.2 SAHI 的切片机制：重叠切片 + 坐标映射的回退逻辑

SAHI 的核心操作是 Slice Inference，流程可以拆成三步。第一步，把输入图像按设定好的 slice 尺寸（常见是 256 或 512）切成若干个小块，相邻切片之间有 overlap 比例（常见 0.2）。第二步，每个切片独立送入检测模型推理，得到该切片坐标系下的检测框。第三步是坐标回退，把所有切片中的检测框按切片在原图中的偏移量换算回全局坐标，再用 NMS 合并重叠区域里可能重复检出的框。

这里的参数需要格外注意：切片尺寸和重叠比例直接决定推理速度和漏检率。切片越小、重叠越大，小目标被截断在切片边缘的概率越低，但推理次数呈平方级上涨。例如一张 1920×1080 的图，用 512 切片、0.2 重叠，会切成大约 4×3 个切片；如果用 256 切片，切片数量会涨到 8×5 个，推理耗时翻倍以上。SAHI 默认推荐的配置是 slice_size=512、overlap_ratio=0.2，这组参数在绝大多数航拍和监控场景下是性价比平衡点。

2.3 超分辨率模块的选型：ESRGAN 系为主流，轻量模型更适合实时场景

超分辨率在检测链路里扮演的是前端增强角色。常见做法是选 ESRGAN（Enhanced Super-Resolution Generative Adversarial Network）或它的轻量变体。ESRGAN 的生成效果在主观视觉上很出色，能把模糊的小目标轮廓修出锐利的边缘，但缺点也明显：模型参数量以百万级起步，单张 512×512 图像的超分推理在 CPU 上可能需要几秒，在 GPU 上也要几十毫秒级别。对于演示源码来说够用，但要做到实时检测就吃力了。

另一个常见选择是 Real-ESRGAN，它对真实退化图像的泛化性更好，训练时引入了模糊、噪声、下采样等组合退化模拟，更贴近实际监控场景的输入质量。轻量化的方向可以看 FSRCNN 或 ESPCN，它们都是为实时超分设计的，但重建细节能力弱于 ESRGAN。在演示链路里，我一般建议用 Real-ESRGAN 的 x2 或 x4 倍率模型做前置增强，倍率不是越高越好——x4 虽然目标会更大，但也会放大噪声和伪影，检测模型在增强后的图上未必比在 x2 图上表现更好，这个需要通过实验对比确定。

3. 装配一套最小可跑的“超分 + SAHI + yolov5”推理链路：环境与代码

3.1 环境配置：conda 虚拟环境与依赖安装顺序

配置环境是整套方案中第一个高频踩坑点。yolov5 官方仓库对依赖版本较敏感，建议用 conda 新建 Python 3.8 环境，不要直接装在 base 环境里。安装顺序按 torch → yolov5 依赖 → SAHI → 超分模型依赖 依次进行，避免一次pip install -r requirements.txt装完后某些包互相覆盖版本。

# 创建 Python 3.8 环境 conda create -n yolo_sahi python=3.8 -y conda activate yolo_sahi # 先装 PyTorch（根据需要选择 CUDA 版本，这里以 cu118 为例） pip install torch==1.13.1 torchvision==0.14.1 --index-url https://download.pytorch.org/whl/cu118 # 克隆 yolov5 仓库并安装依赖 git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt # 安装 SAHI pip install sahi # 超分模型用 Real-ESRGAN 的推理接口 pip install realesrgan

这里的关键是 PyTorch 版本与 CUDA 版本的匹配。如果你在 CUDA 11.8 环境下装的是 cu118 的 torch 没问题，但换成 CUDA 12.x 后需要改为 cu121 或 cu124 的索引地址。装完后用python -c "import torch; print(torch.cuda.is_available())"验证 GPU 可用性，输出为 True 再继续。SAHI 的安装会顺带拉入 opencv-python 和 Pillow 等依赖，如果遇到 opencv 版本冲突，在后文避坑环节会展开说。

3.2 超分推理与切片检测的串联：一个最小可运行的推理脚本

整个链路的核心逻辑是把超分结果传给 SAHI 做切片检测。先写一个最小推理脚本，输入一张测试图，输出标注了小目标框的结果图。下面这段代码是核心骨架，演示路径可以用它跑通后再改造成自己的接口。

import cv2 import torch import numpy as np from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction from realesrgan import RealESRGANer # ---------- 1. 超分前置：加载模型并放大输入图 ---------- def upscale_image(img_path, scale=2): # 输入路径，返回 4 倍或 2 倍分辨率图像 img = cv2.imread(img_path, cv2.IMREAD_COLOR) model = RealESRGANer( scale=scale, model_path='weights/RealESRGAN_x2plus.pth', half=False, # 半精度推理需要显卡支持 device='cuda' if torch.cuda.is_available() else 'cpu' ) output, _ = model.enhance(img, outscale=scale) return output # ---------- 2. SAHI 切片推理 ---------- def sliced_predict(img_path): # 初始化 yolov5 检测模型，sa hi 支持通过 yolov5 的权重路径直接加载 det_model = AutoDetectionModel.from_pretrained( model_type='yolov5', model_path='weights/yolov5s.pt', confidence_threshold=0.25, device='cuda' ) result = get_sliced_prediction( img_path, detection_model=det_model, slice_size=512, overlap_ratio=0.2, ) result.export_visuals(export_dir='output/') return result # ---------- 3. 串联：先超分再切片检测 ---------- if __name__ == '__main__': origin = 'data/demo.jpg' upscaled = upscale_image(origin, scale=2) cv2.imwrite('data/demo_upscaled.jpg', upscaled) sliced_predict('data/demo_upscaled.jpg')

逻辑说明：第一步先做超分，把输入图像的分辨率放大到 2 倍。第二步的AutoDetectionModel是 SAHI 提供的统一模型加载接口，model_type='yolov5'表示用 SAHI 内置的 yolov5 适配器加载权重，这里的model_path可以直接指向 yolov5 官方权重。get_sliced_prediction是核心调用，它会自动完成切片、逐片推理、坐标回退和 NMS 合并。最后export_visuals会把检测结果绘制在原图上并保存。

参数说明：slice_size=512表示每个切片的长宽为 512 像素；overlap_ratio=0.2表示相邻切片有 20% 的重叠区域。如果输入图本身是 1920×1080 的航拍图，超分到 3840×2160 后切成 512×512 的切片数量会非常可观，官方建议是先把超分倍率控制在 x2，切片数量控制在 50 个以内，否则单张推理耗时可能达到半分钟级别。

3.3 把切片大小与超分倍率设成可调参数：一个带命令行入口的完整版本

为了调试方便，我习惯把切片尺寸、重叠率、超分倍率、置信度阈值全部做成命令行参数。这样在调参时可以快速对比不同组合的效果，不会为了改一个数字反复编辑脚本。

import argparse import cv2 from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction from realesrgan import RealESRGANer def parse_args(): parser = argparse.ArgumentParser(description='yolov5 + SAHI + 超分推理') parser.add_argument('--img', type=str, required=True, help='输入图像路径') parser.add_argument('--weights', type=str, default='weights/yolov5s.pt') parser.add_argument('--sr-weight', type=str, default='weights/RealESRGAN_x2plus.pth') parser.add_argument('--scale', type=int, default=2, help='超分倍数: 2 或 4') parser.add_argument('--slice-size', type=int, default=512) parser.add_argument('--overlap', type=float, default=0.2) parser.add_argument('--conf', type=float, default=0.25) parser.add_argument('--device', type=str, default='cuda') return parser.parse_args() if __name__ == '__main__': args = parse_args() # 超分增强 enhancer = RealESRGANer(scale=args.scale, model_path=args.sr_weight, half=False, device=args.device) img = cv2.imread(args.img) upscaled, _ = enhancer.enhance(img, outscale=args.scale) cv2.imwrite('upscaled_tmp.jpg', upscaled) # SAHI 切片推理 det_model = AutoDetectionModel.from_pretrained( model_type='yolov5', model_path=args.weights, confidence_threshold=args.conf, device=args.device) result = get_sliced_prediction('upscaled_tmp.jpg', det_model, slice_size=args.slice_size, overlap_ratio=args.overlap) result.export_visuals(export_dir='output/')

逻辑说明：这段代码把七个关键参数全部暴露出来，便于在实验笔记本上一次跑多组对比。--scale和--slice-size是联动关系：超分倍数越大，切片尺寸应该相应调大，否则切片数量会爆炸式增长。比如原图放大 4 倍后，切片尺寸建议至少 640 或 1024，这样每个切片才能覆盖足够大的原始区域，不浪费推理。

参数调优的常见策略是固定检测模型权重，只调超分倍率和切片大小。先在 2 倍超分下跑一组，记录 mAP 或目测检测效果；再切到 4 倍超分跑一组。通常你会看到，2 倍超分加 512 切片的效果已经优于 4 倍超分加 256 切片的组合，因为后者会引入大量跨切片的重复检测和 NMS 合并损耗。

4. 切片推理参数怎么定：从重叠率到后处理的联动关系

4.1 重叠率的两个边界：目标截断与重复检测

重叠率是决定检测质量最敏感的参数之一。当目标恰好落在两个切片的交界处时，如果没有重叠，这个目标会被切开成两半，两个切片各检测到半个目标，score 都会很低，NMS 合并后大概率直接漏检。重叠率越高，目标被完整包含在某个切片中的概率越大，但同一个目标也可能同时出现在多个切片中，导致重复框增多，需要 NMS 在回退到全局坐标后做更激进的合并。

实际使用中我做过一组对比：在 UAV 航拍数据集上，把重叠率从 0.1 调到 0.3，mAP 提升约 4~6 个百分点；从 0.3 调到 0.5，mAP 反而下降约 2 个百分点，因为重复框太多，误抑制了真框。0.2 到 0.3 之间是安全区间。如果目标尺寸小于切片尺寸的 1/10，可以尝试 0.3；目标相对较大，0.15 就够。

4.2 切片尺寸与模型输入尺寸的匹配：为什么 sa hi 默认用 512

yolov5 的训练尺寸默认是 640，推理时imgsz=640也是常见配置。SAHI 默认切片尺寸却只有 512，这是有意为之的。因为切片尺寸接近模型输入尺寸，切出来的每个小块在送入模型时几乎不做缩放，目标在切片中的实际像素大小和训练时保持一致。如果切片设成 1024，而模型推理尺寸只有 640，模型会把 1024 的切片缩放到 640 再推理，目标又会变小一圈，切片增强的效果被缩放抵消掉一部分。

所以参数设置的黄金法则：切片尺寸应大于或等于模型输入尺寸。用 640 的切片配合 640 的模型输入是最稳妥的组合。若用 512 切片，模型输入 512 也能匹配；但若你用 256 切片而模型输入还是 640，切片被放大后目标纹理会被插值算法抹平，效果反而变差。

4.3 yolov5 后处理参数在切片推理中的特殊调整：NMS 与置信度

切片推理和整图推理的置信度阈值设置逻辑不同。整图推理时，一个目标通常只出现一个框，置信度阈值可以设在 0.3 到 0.5 之间。但切片推理时，同一个目标可能出现在最多 4 个相邻切片中，每个切片中的局部置信度都可能被截断影响拉低，所以置信度阈值要适当下调到 0.2 到 0.3 之间。SAHI 内部的 NMS 合并会把多个切片的低置信度框合成一个高置信度框吗？不会，它只执行框合并和去重，不提升置信度。因此初始阈值如果设得太高，那些被切片切掉一半的目标从一开始就被过滤掉了。

yolov5 本身的iou_thres（NMS 的 IoU 阈值）在 SAHI 的get_sliced_prediction里没有直接暴露，SAHI 内部使用默认值。如果你需要调整，可以用postprocess_match_metric和postprocess_match_threshold参数控制切片间匹配的严格程度，值越大合并越激进。当发现同一目标被输出多个框时，优先调大匹配阈值；反过来发现漏检且目标刚好在切片交界处时，优先调大重叠率而不是调匹配阈值。

5. 避坑清单：五条提升超分 + SAHI 落地成功率的高频经验

5.1 超分模型在 GPU 上爆显存

现象：Real-ESRGAN 在加载模型或推理大图时报CUDA out of memory，程序直接崩溃。

原因：超分模型本身占用显存约 1.5 GB，如果输入图是 4K 分辨率或超分倍率设为 4，中间特征图的体积会膨胀到惊人的程度；同时 yolov5 推理也需要显存，两者叠加后超出显卡容量。

解决：先把enlarge_ratio限制为 2，不要贪 4 倍；输入图先做一次等比缩放，限制最长边不超过 2000 像素；half=True开启半精度推理解放显存压力，前提是你的显卡支持 FP16。

5.2 SAHI 安装后 opencv 导入报错

现象：安装完sahi后，在 Python 里import cv2报错，提示找不到 libGL.so.1 或 Qt 相关的动态库。

原因：sahi依赖的opencv-python与系统里已有的 OpenCV 发生动态库冲突，尤其是在 Linux 服务器环境下，opencv-python-headless和opencv-python混装是最常见原因。

解决：先卸载核心环境里的 opencv-python，再安装 headless 版本，pip uninstall opencv-python -y && pip install opencv-python-headless。如果项目里其他模块依赖完整版 OpenCV 的 GUI 功能，建议把 SAHI 单独放进虚拟环境，不要和主项目共用环境。

5.3 切片推理结果在小目标上的坐标偏移明显

现象：检测结果的目标位置和标注框在视觉上偏移很大，尤其是超分后直接切片时，框的精度很低。

原因：yolov5 推理时有一个内部缩放逻辑，为保证尺寸能被 32 整除，会把输入图 pad 到合适的尺寸。超分后的图尺寸千奇百怪，切片尺寸和 pad 逻辑叠加后，坐标回退时如果 SAHI 没有正确处理 padding 偏移量，就会出现系统性偏移。

解决：给get_sliced_prediction传入image_size参数，把它设置为slice_size的整数倍，例如切片 512、image_size 设为 2048，这样切片数量和坐标计算都规整。同时检查 SAHI 核心代码里是否有model_input_size未匹配的问题，手动指定为 640 可以规避大多数偏移场景。

5.4 超分后目标虽然变大但检测置信度反而降低

现象：目测超分后的图像更清晰，但同一目标的检测 score 从 0.8 掉到 0.6，甚至漏检。

原因：超分模型是 GAN 结构，它的输出在视觉感受上更锐利，但会引入伪纹理（hallucination artifacts）。这些伪纹理对目标检测模型来说可能相当于一种“域偏移”——yolov5 训练时见的图没有这么多超分后的纹理，于是把局部纹理当成噪声干扰，降低了分类置信度。

解决：先检查超分模型是否为 Real-ESRGAN。如果是，尝试使用 x2 模型而不是 x4 模型，因为倍率越高，伪纹理越重。另一种方案是取消超分前置，单独用 SAHI 做一次对比实验；如果 SAHI 单独跑的效果优于超分 + SAHI 的串联效果，说明你的输入图退化程度不高，超分增强属于画蛇添足。

5.5 用 conda 创建环境后 torch.cuda.is_available() 返回 False

现象：pip 安装的 PyTorch 明明显示 CUDA 版本对应，但torch.cuda.is_available()为 False。

原因：conda 环境中混用了默认的 CPU 版 torch。很多人先执行了conda install pytorch，然后又用 pip 覆盖，pip 默认从 PyPI 下载的 torch 是 CPU 版本。

解决：在创建环境后，直接指定--index-url安装对应 CUDA 的版本，不要在 conda 中单独安装 pytorch。装完后用nvidia-smi确认驱动版本和 CUDA 版本的匹配关系，如果驱动太旧，则 torch 的 CUDA 支持无法启用，需要升级驱动。

6. 验证效果的实用技巧：用特征图可视化与消融对比来判定链路收益

超分 + SAHI 链路是不是真的有效，不能只靠肉眼判断。我惯用的方法是做消融对比：同一张测试图，分别用“纯 yolov5 整图推理”“yolov5 + SAHI”“yolov5 + SAHI + 超分”三种方式跑一遍，记录每张图的漏检数、误检数和平均置信度，并输出特征图可视化来定位失效环节。

特征图可视化可以借用 yolov5 自带的模型钩子，在 P3 层输出特征图后叠加原图查看小目标的响应强度。下面这段代码在 yolov5 推理脚本基础上做最小改造，捕获最后一个卷积层的特征输出。

import torch from models.experimental import attempt_load from utils.plots import feature_visualization # 加载模型并设为 eval model = attempt_load('weights/yolov5s.pt', map_location='cpu') model.eval() # 注册前向钩子，捕获 P3 层特征（第 17 层附近） features = {} def hook_fn(name): def fn(module, input, output): features[name] = output[0] if isinstance(output, tuple) else output return fn model.model[17].register_forward_hook(hook_fn('p3')) # 推理一张图并拉取特征 img = torch.randn(1, 3, 640, 640) with torch.no_grad(): model(img) p3_feat = features['p3'] print('P3 feature shape:', p3_feat.shape)

逻辑说明：register_forward_hook是 PyTorch 原生 API，用来在 forward 传播结束后抓取某一层的输出张量。model.model[17]是 yolov5s 中 P3 输出头之前的关键层索引，不同权重路径下索引可能不同，建议先打印model.model结构确认。拿到 P3 特征后，可以将其 80×80 的特征图归一化到 0~255，用伪彩色叠加在原图上。如果超分后的图在这个特征图上的响应强度明显高于原始图，说明增强链路确实在给检测头提供更多有效信息。

还有一个值得养成习惯的验证方式：在正式批量实验前，用 10 张典型难例图组成固定测试集。每调整一次参数，只在这 10 张图上跑耗时和漏检数，不跑全量数据集。这样既能快速淘汰明显不行的参数组合，又避免反复跑全量数据浪费计算资源。最终决定上线前，再全量验证一次。这套验证流程本身就是我在这类演示项目中积累下来的经验——先把链路跑通，再谈优化，最后才谈部署。

希望这套“超分 + SAHI + yolov5”的组合方案能帮你解决小目标的漏检问题，祝你在自己的数据集上拿到比整图推理更好的 mAP，少踩几个我踩过的坑。

本文还有配套的精品资源，点击获取