080、YOLOv11改进-小目标数据增强针对性策略——Copy-Paste与Mosaic协同组合的即插即用训练技巧，小目标AP提升5.0%

080、YOLOv11改进-小目标数据增强针对性策略——Copy-Paste与Mosaic协同组合的即插即用训练技巧，小目标AP提升5.0%一、从一次翻车调试说起上个月接了个遥感小目标检测的项目，无人机航拍图里密密麻麻的车辆和船只，YOLOv11 baseline跑下来，小目标AP只有可怜的12.3%。我第一反应是加小目标检测头，调anchor，折腾了两天，AP涨到14.1%，但训练到第80个epoch就开始过拟合，验证集loss死活下不去。后来复盘发现一个致命问题：训练集里小目标样本的分布极度不均衡。一张1024x1024的遥感图，可能只有3-5个目标，其中小目标（面积32x32像素）占比不到15%。模型在训练过程中，大部分时间都在学背景，小目标的梯度信号被大目标和背景淹没了。这个场景太典型了——不是模型结构不行，是数据喂进去的方式有问题。我翻出之前做COCO小目标竞赛时用的Copy-Paste策略，结合YOLOv11自带的Mosaic，搞了一套组合拳。实测下来，小目标AP从14.1%直接跳到19.3%，涨了5个点。今天把这套方案拆开揉碎了讲清楚。二、为什么Mosaic对小目标不够用YOLOv11默认的Mosaic增强确实强，四张图拼一张，变相增加了batch size，也提升了背景多样性。但这里有个坑：Mosaic对小目标其实是双刃剑。Mosaic会把四张图缩放到相同尺寸再拼接，假设原图是640x640，四张图各缩到320x320。原本32x32的小目标，缩完后