先看输入#

先统计目标框面积占图片面积的比例，看看小目标到底有多少。再抽查小目标标注是否贴合，是否存在漏标。

我会先选少量图片做检查：一张正常图、一张边界图、一张容易失败的图。小样本跑通以后，再扩大到完整数据集。

示例代码#

1
areas = []
2
for box in boxes:
3
    x1, y1, x2, y2 = box
4
    areas.append((x2 - x1) * (y2 - y1) / (img_w * img_h))
5
print(min(areas), sum(a < 0.01 for a in areas))

可视化验收#

• 保存至少一张中间结果图，而不是只打印数组形状。
• 检查坐标顺序，确认没有把 x/y 和 w/h 混用。
• 抽查失败样本路径，避免批量流程悄悄跳过坏图。
• 如果结果要进入训练集，记录数据版本和处理脚本版本。

常见误差来源#

常见误差来自 resize 后目标只剩几个像素、增强时把小目标裁掉、验证集小目标数量太少导致指标不稳定。

最小验收样例#

我会固定一组小样本作为回归检查集。每次改处理脚本或训练配置，都先跑这组样本，确认输出图片、标注框或预测结果没有出现明显退化。

视觉任务的验收不能只依赖成功退出码。最少要打开一张输出图，并把失败样本单独记录下来。这样后续定位问题时，能从具体图片回到具体处理步骤。

小结#

小目标检测先查分辨率和标注 的关键是让每一步都有可视化证据。视觉任务最终要回到图像本身，不能只信日志和指标。