YOLOv7转ONNX后小物体检测受限？车牌字符仅识别前3-4个

核心结论 #

YOLOv7本身并非对小物体检测存在绝对限制，你的情况大概率是训练优化不到位、转换/部署参数设置不合理导致的，而非模型本身的固有局限。

具体排查方向 #

1. 训练阶段的优化缺失 #

• 自定义数据集标注质量：检查车牌字符的标注是否完整、准确，有没有漏标小字符，或者标注框范围偏差过大的情况——小物体的标注精度直接决定模型的学习效果。
• 小物体针对性训练设置：
  • 重新计算适配小物体的锚框（anchor）：YOLOv7默认锚框是针对通用场景的，对于车牌这类极小物体，用k-means算法基于你的数据集重新生成锚框，能大幅提升模型对小物体的感知能力。
  • 开启多尺度训练：训练时让模型随机缩放输入图像尺寸，帮助模型适应不同大小的物体，尤其是小物体。
  • 启用辅助检测分支：YOLOv7的auxiliary head分支专门用于提升小物体和难检测目标的性能，训练时确保该分支已开启。

2. ONNX转换与CVAT部署的参数问题 #

• 调整置信度与IOU阈值：除了topk-all，还要检查conf-thres（置信度阈值）和iou-thres（交并比阈值）。如果阈值设置过高，小物体因置信度偏低会被直接过滤，建议将conf-thres调低至0.2_{0.3，`iou-thres`调低至0.4}0.5后测试。
• 确保ONNX转换的完整性：使用YOLOv7官方提供的转换脚本，避免遗漏关键参数，确保模型的所有输出分支（包括辅助分支）都被正确导出，否则会丢失小物体检测的关键特征。
• 对齐预处理流程：CVAT中使用模型时的图像预处理（如归一化、缩放、色域转换）必须和训练阶段完全一致，否则模型输出会出现偏差，小物体更容易漏检。

3. 模型选型的适配性 #

如果使用的是YOLOv7-tiny这类轻量模型，其小物体检测能力确实会弱于YOLOv7、YOLOv7-w6等大尺寸模型，若硬件资源允许，换用更大的模型版本也能有效提升小物体检测效果。

内容的提问来源于stack exchange，提问作者bibinwilson