这确实是目标检测任务里非常典型的小目标/远距离目标检测痛点——当目标离摄像头5-6倍远时，像素占比极低，常规的检测逻辑很难捕捉到有效特征。你试过的扩充数据集、模糊滤波思路方向可能偏了，我来分享几个实际项目里验证有效的方案：

1. 针对性优化数据集与数据增强 #

你提到扩充了数据集，但如果新增的样本大多是近距离目标，对远距离小目标的帮助非常有限。可以试试：

• 收集/生成小目标专属样本：专门采集目标在5-6倍距离下的图像，或者从现有大图里随机裁剪出小目标区域（模拟远距离场景），补充到训练集中；
• 用小目标友好的增强策略：比如Mosaic增强（将多张小目标图像拼接成一张训练图）、随机缩放（把小目标放大后插入到背景图中），让模型在训练时更多关注小目标的特征；
• 半监督补充标注：先用现有模型对远距离图像做初步检测，把置信度较低的候选框拿出来人工修正标注，快速补充高质量的小目标标注数据。

2. 调整模型结构适配小目标 #

常规检测模型的高层特征更偏向语义信息，低层特征才保留小目标的细节，你可以从这方面入手：

• 加强特征金字塔（FPN）的低层特征融合：比如在YOLO、Faster R-CNN这类模型中，增加低层特征到高层的反向连接，让模型能结合细节和语义信息检测小目标；
• 换用小目标友好的模型：比如Anchor-free的FCOS、YOLOv8n（轻量版更关注细节），或者专门针对小目标设计的模型如YOLOv5s6（带大尺度输入）；
• 加入注意力机制：给模型添加CBAM、ECA这类注意力模块，引导模型自动聚焦到小目标的关键特征上，过滤背景干扰。

3. 预处理与后处理的反向优化 #

你之前用的中值滤波、高斯滤波会模糊小目标的细节，反而起反作用，应该换成增强细节的预处理：

• 图像增强提升小目标辨识度：用CLAHE（自适应直方图均衡）提升局部对比度，或者拉普拉斯锐化增强边缘细节，让远距离目标的轮廓更清晰；
• 后处理阈值调整：适当降低检测的置信度阈值（比如从0.5调到0.3），但要配合Soft-NMS（软非极大值抑制）减少误检，避免小目标被直接过滤；
• 小目标候选框过滤优化：不要设置过小的候选框过滤阈值，确保远距离小目标的框能进入后续检测流程。

4. 硬件与采集端的辅助优化 #

如果条件允许，硬件层面的调整能从根源改善问题：

• 更换高分辨率摄像头：更高的像素能让远距离目标保留更多细节，给模型提供足够的特征点；
• 调整摄像头参数：增大光圈提升进光量、延长曝光时间（静态场景适用），减少远距离目标的噪点和模糊；
• 多镜头协同：搭配广角+长焦镜头，用长焦镜头专门捕捉远距离目标，再和广角画面做融合检测。

额外提示：迁移学习的针对性预训练 #

如果你的数据集规模不大，可以先在包含大量小目标的公开数据集（比如VisDrone、UAVDT，都是无人机视角的小目标数据集）上做预训练，再迁移到你自己的数据集上——这类预训练模型已经学到了小目标的特征表达，能快速适配你的场景。

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