为什么你的检测/分割模型涨不上去：从 Bad Case 开始，而不是从注意力模块开始
前言
很多项目到了瓶颈期，大家第一反应往往是：
更换Backbone
增加注意力模块
引入新的Neck结构
尝试最新论文模型
这些方法并非无效，但在实际工程中，性能瓶颈往往首先来自数据、目标尺度、特征分辨率、标注质量和训练策略，而非模型结构本身。
但实际工程中，大部分性能问题并不是因为模型缺少某个注意力机制，而是因为根本没有分析模型到底错在哪里。
正确流程应该是：
训练模型
↓
收集Bad Case
↓
分析错误规律
↓
定位瓶颈
↓
针对性修改
而不是：
训练模型
↓
换模块
↓
再训练
↓
再换模块
而不是直接进行模型堆叠。
第一部分：目标检测任务
第一步：收集 Bad Case
训练结束后，先在验证集或测试集上完整推理。
把以下样本全部保存：
漏检（FN）
真实存在目标，但模型没检测出来。
常见表现：
小目标漏检
远距离目标漏检
遮挡目标漏检
低对比度目标漏检
例如：
GT: Person
Pred: None
误检（FP）
真实不存在目标，但模型检测出来。
常见表现：
相似物体误判
复杂背景误判
夜间场景误判
例如：
GT: None
Pred: Person
定位错误
检测到了目标，但框偏差很大。
常见表现：
框偏大
框偏小
框中心偏移
例如：
IoU < 0.5
建立如下目录：
badcase/
├── miss/
├── false_positive/
└── localization/
然后逐张查看。
第二步：寻找规律
不要看十张。
至少看：
100~300张
你会发现错误往往是成批出现的。
例如：
现象1：小目标基本全漏
表现：
无人机车辆
交通标志
遥感目标
PCB缺陷
大量漏检。
原因通常是：
目标太小
↓
特征图分辨率不足
↓
目标信息消失
例如：
输入：
640×640
目标：
12×12
映射到：
P3(stride=8)
12 / 8 = 1.5
目标只剩1~2个特征点。
此时：
增加改进模块
几乎解决不了问题。
更有效的方法：
增加P2检测头
提高输入分辨率
切图训练
现象2：远距离目标漏检
表现：
近处车辆检测正常
远处车辆大量漏检
本质仍然是：
有效目标尺寸过小
优先考虑：
1024输入
1280输入
Tile推理
而不是换改进模块。
现象3：遮挡目标漏检
表现：
半个人
半辆车
部分缺陷
原因：
训练样本不足
解决方案：
Copy-Paste
Mosaic
Occlusion Augmentation
现象4：特定类别始终效果差
表现：
Person 95%
Car 94%
Helmet 70%
首先检查：
类别数量是否平衡
标注是否一致
类别定义是否明确
很多时候根本不是模型问题。
第三步：检测任务常见问题与解决方案
| 现象 | 优先排查 |
|---|---|
| 小目标漏检 | P2、输入尺寸、切图 |
| 远距离漏检 | 输入分辨率 |
| 遮挡漏检 | 数据增强 |
| 类别混淆 | 数据标注 |
| 框偏移严重 | Label质量 |
| 夜间效果差 | 数据分布 |
| 误检严重 | 负样本不足 |
第二部分：图像分割任务
分割任务的主要误差来源
相比检测任务，分割任务对空间信息更加敏感。
常见错误包括：
漏分
目标区域未被分割出来。
过分
背景被错误划入目标区域。
边界误差
目标主体正确，但轮廓不准确。
结构断裂
细长结构无法连续预测。
第一步：收集 Bad Case
除了看指标：
mIoU
Dice
Pixel Acc
更重要的是直接看预测Mask。
保存：
GT Mask
Pred Mask
Overlay
逐张分析。
第二步：寻找规律
现象1：小目标全部漏分
例如：
小缺陷
小病灶
小器件
原因：
目标经过Resize后太小
例如：
原图：
1024×1024
训练：
640×640
目标：
16×16
Resize后：
10×10
最终Mask：
10 / 8 ≈ 1.25
已经接近不可分割状态。
解决方案：
提高输入尺寸
切图训练
高分辨率Decoder
现象2：细长结构断裂
例如：
裂纹
道路
血管
电线
表现：
预测结果断断续续
原因：
下采样过多
解决方案：
减少Stride
保留浅层特征
UNet Skip Connection
现象3：边界粗糙
表现：
主体正确
边缘很差
解决方案：
Boundary Loss
PointRend
HRNet
高分辨率解码器
现象4：小孔洞大量出现
表现：
Mask内部全是洞
原因：
噪声
训练不足
类别边界模糊
解决方案：
后处理
CRF
Morphology
更多训练数据
第三步：分割任务常见问题与解决方案
| 现象 | 优先排查 |
|---|---|
| 小目标漏分 | 输入分辨率 |
| 裂纹断裂 | 下采样倍率 |
| 边界粗糙 | Decoder设计 |
| 孔洞过多 | 后处理 |
| 某类效果差 | 数据分布 |
| 过拟合 | 数据增强 |
| 泛化差 | 数据质量 |
第四部分：一个工程师应该优先看的东西
很多项目的收益排序通常是：
数据质量
>
Bad Case分析
>
输入分辨率
>
数据增强
>
训练策略
>
模型结构
>
注意力模块
而很多人的实际顺序却是：
注意力模块
>
注意力模块
>
注意力模块
>
数据
这也是为什么经常出现：
CBAM → SE → CA
折腾三个月，
最后提升：
+0.2%
而一次正确的Bad Case分析后：
增加P2检测头
提高输入尺寸
切图训练
可能直接获得：
+3% ~ +10%
的收益。
结论
检测和分割任务中，最重要的能力不是“会堆模块”，而是“会看错误”。
真正有效的工程流程是：
训练
↓
收集Bad Case
↓
找规律
↓
定位原因
↓
针对性修改
↓
验证效果
先回答：
“模型为什么错？”
再回答：
“模型应该怎么改？”
否则大概率只是从一个注意力模块换到另一个注意力模块，而没有解决真正的问题。