企业官网建设流程全解析

1. 为什么盯上鱼眼：水产养殖与鱼类生物学里的刚需场景

前一阵子帮一个做水产监测的团队整理图像数据，遇到一个绕不开的问题：鱼体状态评估里，眼径是一个关键指标，和体长、体重、发育阶段相关性很高，但过去全靠人工逐帧标注测量。几千帧画面下来，眼睛先受不了。我后来把整套流程收敛成一条线：用YOLOv8做鱼类眼部检测，再在检测框基础上做尺寸测量分析。为了让小目标鱼眼区域更稳定地被检出，我在YOLOv8基础上引入了RepNCSPELAN模块和CAA注意力机制，做了一轮结构改进。这篇文章就把整个项目的思路、实现细节和踩坑过程完整过一遍，给同样想研究鱼体视觉检测或小目标改进的人一个可以直接参考的路线。

1.1 从全鱼检测转向鱼眼检测的原因

最早我并不是直接去检测鱼眼的。项目最初的方案是检测整条鱼，然后从鱼体长度推算生长状态，但实际跑下来效果非常糟糕。原因并不难理解：鱼在水中是不断摆动的，身体会弯曲、会旋转，尾鳍和背鳍的轮廓在图像里变化极大，光照角度一变，整条鱼的边界就糊成一片。这种情况下做一个稳定的目标检测框都困难，更不用说从检测框里再提取什么精确的生物指标。

后来我翻了鱼类生物学的基础资料，发现眼径是一个很稳定的测量点。鱼眼的结构相对独立，无论是侧面还是略带俯视的角度，眼球区域的轮廓都能保持比较清晰的特征。更重要的是，很多养殖和渔业调查场景都认可“眼径-体长”这种经验关系，也就是说，只要我能准确测出鱼眼的尺寸，就能间接推断出鱼的大致体长和发育阶段。于是项目就从一个泛泛的“鱼体检测”收窄成了“鱼类眼部检测与测量分析”。

把检测目标缩小之后，问题也跟着变简单了：不用再去管鱼身体各个关节点的形变，只需关注一个局部特征。但这个局部特征又引出了另一类难题——目标非常小。一条成年鱼在画面里可能占几百个像素，鱼眼可能只有三四十个像素。常规目标检测模型在这种尺度下很容易漏检，或者把水泡、反光点、鱼体上的斑纹当成眼。这个矛盾，成了后面所有结构改进的出发点。

1.2 鱼眼检测要面对的真实环境

水产养殖或渔业调查场景里的图像，和网上那些高清水下摄影完全是两回事。最直接的问题是光照不均：水面波纹会产生大量高光反射，鱼眼球本身又是一个高反光的球面，反光区域经常盖住瞳孔，让特征看起来像一块白色亮斑。其次，鱼不会配合你拍照，它们要么快速游动，要么静止在一个角度，姿态、距离、方位每帧都在变。

还有一个很容易被忽视的点：训练数据和实际部署数据的分布差异。如果只在实验室的理想光照下采集数据，那么到了养殖池、河流调查船这类场景，检测精度会掉得非常明显。我后来在数据采集阶段就刻意加入了好几种光照条件、水色条件和拍摄高度，这比后面花大量精力调模型更有价值。关于这部分，我会在第三节专门展开。

从整个项目架构看，鱼眼检测只是第一个环节，后面还接了一个毫米级测量模块。检测框质量直接决定测量精度，如果检测框左移右移几个像素，算出来的眼径就可能偏大偏小零点几毫米。所以在模型选型和改进上，我的目标不是把mAP撑到多好看，而是让检测边界稳定、可重复，这样测量环节才有意义。这个目标导向，贯穿了后面所有技术决策。

2. 选择YOLOv8的底气与短板：小目标弱纹理场景的可改造空间

确定要做鱼眼检测之后，接踵而来的问题就是：用什么模型做基线。当时我对比了YOLOv8、YOLOv9、YOLOv10，还有一些基于Transformer的检测器。最终定下YOLOv8，不是因为它指标最顶，而是因为它在“训练稳定性、部署生态、代码可读性”这几件事上最均衡。对于这样一个后续还要接测量、还要在边缘设备上跑的项目来说，这比单点精度更重要。

2.1 鱼眼检测的技术基线对比

鱼眼检测本质上是一个小目标检测任务。公开的通用检测数据集里，小目标占比并不少，但通用模型的“小目标”定义通常是32×32像素以上，而鱼眼在很多画面里只有16到40像素，比通用小目标还要小一圈。模型下采样5次之后，这些小目标在特征图上只占1×1或2×2个点，信息几乎被压没了。

我在选基线时反复权衡了三个方案。第一是直接用YOLOv8，优点是官方预训练权重好找、训练脚本稳定、导出ONNX和TensorRT非常顺畅。第二是YOLOv9，它的RepNCSPELAN结构确实在特征保留上更优，但代码结构相对较新，训练时需要额外关注机制细节，迁移成本高。第三是检测Transformer类模型，这类模型对小目标有天然优势，但训练收敛速度和硬件要求对我这种偏工程的场景不够友好。

最终我选择以YOLOv8为骨架，把YOLOv9结构里被验证过的思路“移植”进来。这也就是标题里RepNCSPELAN的由来。相比直接换到YOLOv9，这种“在YOLOv8上做定向改进”的方式，改动范围可控，哪里出了问题也好排查。

2.2 YOLOv8在鱼眼任务上的三个明显瓶颈

先把结论摆在这里：原始YOLOv8直接跑鱼眼数据集，能出结果，但离可用还有距离。我总结了三个瓶颈。

第一个瓶颈是深层特征丢失细节。YOLOv8的主干网络逐层下采样，到了最后阶段，一张640×640的输入变成20×20的特征图，鱼眼区域的细节信息基本都集中在浅层。虽然FPN和PAN结构会回传一些浅层特征，但对于高反光、低对比度的鱼眼来说，细节还是不够。

第二个瓶颈是C2f模块的特征融合方式。C2f通过多个Bottleneck串联再拼接来增强梯度流，但它对多尺度特征的并行融合能力一般，尤其是在目标只有几个像素的时候，分离和利用这些微弱特征的效率不高。

第三个瓶颈是上下文信息利用不足。鱼眼周围其实有很多可以用来辅助判断的线索：眼眶边缘、鱼头部轮廓、鳃盖位置。如果模型只盯着那一个亮点看，很容易把非鱼眼的高光区域一起捡进来。这就是为什么我在改进时专门加了CAA注意力机制。

2.3 为什么选RepNCSPELAN和CAA这个组合

先说RepNCSPELAN。这个模块来自YOLOv9的结构设计，核心是两件事：用RepConv做重参数化，训练时多分支、推理时合并成单路；用ELAN式的分层聚合，把不同阶段的特征在通道维度上拼接后再整合。这两件事分别对应了我前面说的第一个和第二个瓶颈，它能比C2f保留更多细粒度特征，同时控制推理时的额外计算量。

再说CAA。它要解决的是上下文利用问题。鱼眼本身是个小目标，局部窗口里的判别信息有限，但如果注意力机制能把周围几个有针对性的位置的信息纳入进来，模型对鱼眼的判断就更稳。我在第五节会详细拆这个模块的原理和实现。

这两个模块一个管特征表达、一个管上下文建模，方向不重叠，所以叠加效果会比堆两个同类模块明显。我这轮跑下来的数据：单独加RepNCSPELAN，mAP50涨了约2个百分点；单独加CAA，涨了约1.5个百分点；两个都加上，mAP50比基线高约3.6个百分点。具体数据我放在第七节统一放表。

3. 数据是第一个泥坑：鱼眼小目标数据集的采集、标注与增强

模型结构改进的前置条件，是有一个站得住脚的数据集。这句话听起来像废话，但鱼眼检测这个场景尤其吃数据，因为目标太小、特征太细，标注时差几个像素，模型学到的边界就完全不一样。我在这部分吃了不少亏，下面把完整链路展开说。

3.1 采集与硬件布置，让测量环节更省心

数据采集和测量分析是一体的，最好的做法是采集阶段就为测量做好准备，而不是等模型训练完再回头补拍。

我采用的方案是固定机位俯拍。相机固定在一个支架上，镜头垂直朝下，鱼在一个浅色托盘里或者浅水槽里游动，画面边缘放一个已知尺寸的标尺。固定机位的好处有两个：一是所有图像的拍摄角度一致，模型学到的特征更集中；二是后续测量阶段可以用一套固定的像素-毫米比例系数，不需要每张图重新标定。

具体采集时，我覆盖了三种场景：室内均匀灯光、自然光侧面照射、模拟养殖池的浑水环境。每种场景下又分别拍摄鱼静止、缓慢游动、快速摆尾三种运动状态。鱼眼的清晰度对运动状态非常敏感，快速游动时经常出现拖影，这些拖影帧我全部保留并标注为“模糊样本”，让模型在训练时就知道这种目标也是鱼眼，只是轮廓不清晰。如果不加这类样本，模型在真实场景里遇到拖影帧就直接漏检。

3.2 小目标标注规范和质检流程

标注规范是整个数据链路里最容易影响模型上限的环节。鱼眼周围有眼眶、眼睑褶皱、高光点等相近结构，我在标注规范里定了三条硬规则。

第一，框住眼球可见区域，而不是眼眶。鱼眼的轮廓是偏圆形的，但很多标注人员习惯把眼眶周围一圈深色区域也包进去，这样一来框就偏大、中心点偏移，后续测量全被带偏。规范里明确要求：标注框的内边界贴着眼球可见边缘，高光区域算在眼内，因为那是眼球表面的一部分。

第二，过小目标不标。对于尺寸小于16×16像素、且放大后仍无法肉眼判断是鱼眼的候选区域，一律不标注。很多标注任务追求“一个不漏”，但在小目标场景下强行标注模糊目标，只会给模型注入噪声。宁可少标几个，也不要让标注数据互相矛盾。

第三，交叉质检。每张图由两个人独立标注，再用IoU阈值0.7比较两个版本，差异超过阈值的就拉出来人工复核。我最后统计下来，质检阶段大概修正了7%的标注框，这些修正大多发生在高反光和姿态倾斜的样本上。

3.3 增强策略：不要一上来就全开Mosaic

YOLOv8自带的增强策略默认Mosaic开启，我在鱼眼数据集上直接用默认配置跑，发现训练损失比预期高，验证集精度也上不去。排查后发现问题出在Mosaic对这个小目标场景太不友好：四张图拼在一起后，单张图被缩小到一半甚至更小，本来就只有二三十像素的鱼眼被裁掉或被缩小到几乎不可见，模型等于一直在学一些残缺目标。

我最后把Mosaic的开启概率从1.0降到0.5，同时关掉了Mosaic的随机裁剪比例，让拼接后的每块区域尽量保留原始尺寸。其他增强里，翻转、90度旋转、HSV色域扰动、随机光照变化这些常规操作都保留，但亮度扰动幅度我调得比默认值小一点，因为鱼眼检测严重依赖灰度对比，亮度变换太剧烈会把特征抹平。

数据划分也要特别注意。我按视频片段来划分训练集、验证集和测试集，不是按单帧随机划分。否则同一只鱼连续几十帧的相似图像会同时出现在训练集和验证集里，验证指标虚高，换个场景马上现原形。这个坑我见过太多人踩了，本质上就是数据泄露。

4. RepNCSPELAN替换C2f：从梯度流和重参数化看这次结构改动

数据集稳定之后，我开始动模型结构。第一步是拿RepNCSPELAN替换YOLOv8主干里的C2f。这一节我不想只贴代码，而是把这款模块为什么对鱼眼这种小目标场景有效的原理讲清楚，再给出我落地时的具体改法。

4.1 原版C2f的结构与局限

YOLOv8里的C2f可以理解成“多个Bottleneck串联，再和输入在通道维度拼接，最后用一个卷积融合”的结构。它的优点是梯度路径比早期的C3更短更密，深层和浅层特征之间的信息流动更顺畅。这也是YOLOv8训练比YOLOv5更稳定的原因之一。

但C2f的局限在于它本质上是一条“串行+拼接”的通道。每个Bottleneck都要在前一个的基础上继续提取特征，前层被反复压缩的信息很难在多条支路上并行保留。对鱼眼这种目标来说，它最需要的是“不同尺度、不同深度的特征同时可见”，C2f的串行结构做不到高效并行。所以当目标只剩下十几个像素时，C2f更容易把这些特征淹没在多次卷积造成的“信息稀释”里。

4.2 RepNCSPELAN的两个核心设计

RepNCSPELAN这个名字里藏了两个关键设计。前半段的“Rep”指重参数化卷积，后半段的“NCSPELAN”可以理解为一个多分支的特征聚合网络。

重参数化卷积在训练状态下有多个并行分支：一个3×3卷积、一个1×1卷积，加上一个恒等连接。这些分支的输出在通道上相加，相当于让每一层同时看到不同感受野下的特征。到了推理阶段，这些分支可以被数学等价地合并成一个3×3卷积。我稍微解释一下合并原理：1×1卷积本质上是一个膨胀为0的3×3卷积，恒等连接可以看成一个只有对角元素为1的特殊卷积，把这三个分支的卷积核在对应位置上相加，就得到了一个单分支3×3卷积。这样既享受了训练时多分支带来的表达能力，又保证了推理时不会增加额外计算量。

ELAN部分做的是分层聚合：输入特征先分几条支路处理，每一条用不同数量或不同形式的卷积，然后把所有支路的输出在通道方向拼接起来，最后用一个1×1卷积做融合。这样做的好处是，不同尺度的信息不是“串行”地逐层传递，而是“并行”地汇合到最后的融合层，特征复用效率更高。对鱼眼这种细节敏感的小目标，这种并行保留策略比串行挤压要友好得多。

4.3 在YOLOv8代码里落地：新增模块与配置替换

代码层面，我是在YOLOv8源码的nn/modules.py里新增了一个RepNCSPELAN类。这里给出一个简化但可运行的核心结构：

import torch import torch.nn as nn class RepConv(nn.Module): """训练时多分支，推理时重参数化为单分支。此处列出训练结构。""" def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1): super().__init__() self.conv3x3 = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding) self.conv1x1 = nn.Conv2d(in_channels, out_channels, 1, stride, 0) self.identity = nn.Identity() if in_channels == out_channels and stride == 1 else None def forward(self, x): out = self.conv3x3(x) + self.conv1x1(x) if self.identity is not None: out = out + self.identity(x) return out class RepNCSPELAN(nn.Module): """简化版RepNCSPELAN：输入先降通道，两条支路并行提取，拼接后融合。""" def __init__(self, in_channels, out_channels, hidden_ratio=0.5): super().__init__() hidden = max(int(in_channels * hidden_ratio), 32) self.conv_proj = nn.Conv2d(in_channels, hidden, 1) self.branch1 = nn.Sequential( RepConv(hidden, hidden), RepConv(hidden, hidden) ) self.branch2 = nn.Sequential( nn.Conv2d(hidden, hidden, 1), RepConv(hidden, hidden) ) self.conv_fuse = nn.Conv2d(hidden * 2, out_channels, 1) def forward(self, x): h = self.conv_proj(x) y1 = self.branch1(h) y2 = self.branch2(h) return self.conv_fuse(torch.cat([y1, y2], dim=1))

然后在模型配置的yaml文件里，把主干部分原来使用C2f的位置替换为自定义模块：

backbone: - [-1, 1, Conv, [64, 3, 2]] - [-1, 1, Conv, [128, 3, 2]] - [-1, 3, RepNCSPELAN, [256]] - [-1, 1, Conv, [256, 3, 2]] - [-1, 3, RepNCSPELAN, [512]] - [-1, 1, Conv, [512, 3, 2]] - [-1, 3, RepNCSPELAN, [1024]]

这里要特别提醒一件事：直接照搬YOLOv9里原始RepNCSPELAN4的代码容易翻车，因为它的输入输出通道设计和YOLOv8的模块不完全对齐。我建议先在自己的数据集上跑一个最小值验证，确认各层输出张量形状没问题，再进入正式训练。我当时第一次替换后直接报了通道维度不匹配的错，排查下来就是neck部分还默认接收C2f的输出结构，需要同步调整。

另一个实际注意点：模型导出前的重参数化合并不要忘记。训练时模型里是多个分支，如果直接把权重导出为ONNX，虽然forward里仍然能算，但推理效率会打折扣。正常做法是在训练结束后遍历模型，把RepConv的分支合并成单卷积，再执行导出。

5. CAA注意力模块：给鱼眼检测补上上下文线索

鱼眼小、背景杂，这是这个数据集最突出的两个特点。RepNCSPELAN解决了特征保留的问题，但它没有回答另一个问题：模型凭什么知道这一小团高光就是鱼眼，而不是水里的气泡或者鱼身上的白斑？

我的答案是加一个能感知局部上下文的注意力模块。CAA这种机制的设计出发点，就是让小目标不再孤立地被看待，而是从它周围的环境中获取更多决策线索。

5.1 为什么鱼眼检测需要注意力而不是单纯加深网络

很多人面对小目标检测的第一反应是“加深网络、加检测头”，但鱼眼场景里这条路走不通。加深网络会继续扩大感受野，对于只有二三十像素的鱼眼来说，过大的感受野反而会把远处水草、波纹等无关信息混进来。模型需要的是“在鱼眼周围一个适度的范围内，把与眼球相关线索集中起来”，这正好是注意力机制擅长的事。

我把鱼眼检测的难点做了一个类比：如果一个人在昏暗的环境里辨认远处的一个圆形物体，他不会只盯着那个物体看，而会先看它周围有没有轮廓、阴影、遮挡关系。CAA做的就是类似的事，它让模型在目标位置之外多采集一些上下文信息，再把这些信息和目标自身特征合起来做判断。

5.2 我采用的CAA实现思路

关于CAA，社区里存在不同实现版本，有的版本引入了可学习的采样偏移量，让模型自主学习“该去周围哪个位置取信息”。这种方法理论上更灵活，但我在实验中发现，可学习偏移量在训练前期非常不稳定，尤其是目标只有一两个像素时，偏移量稍微一抖，采样位置就跑偏，损失波动很大。

为了避免训练不稳定，我采用了一个相对保守的实现：用锚点区域内的局部池化来聚合上下文，然后用注意力权重对原特征做重标定。具体来说，输入特征图先经过一个1×1卷积压缩通道，降低后续注意力的计算量；然后按照设定的锚点尺寸对特征做局部平均池化，这一步相当于把每个位置周围一个局部窗口的信息汇总到一个“锚点”上；接着再经过一个1×1卷积恢复通道数，再接Sigmoid生成注意力权重；最后把权重和原特征图逐元素相乘。

下面是我实际使用的实现版本：

import torch import torch.nn as nn import torch.nn.functional as F class CAA(nn.Module): """上下文锚点注意力：局部上下文化聚合 + 通道重标定。""" def __init__(self, in_channels, reduction=8, anchor_size=3): super().__init__() hidden = max(in_channels // reduction, 8) self.conv_down = nn.Conv2d(in_channels, hidden, 1) self.conv_up = nn.Conv2d(hidden, in_channels, 1) self.anchor_size = anchor_size self.sigmoid = nn.Sigmoid() def forward(self, x): attn = self.conv_down(x) attn = F.relu(attn, inplace=True) if self.anchor_size > 1: k = self.anchor_size attn = F.avg_pool2d(attn, kernel_size=k, stride=1, padding=k // 2) attn = self.conv_up(attn) attn = self.sigmoid(attn) return x * attn

这段代码的思路是：先用局部池化把锚点区域内的上下文信息揉进注意力图，再用通道重标定决定哪些位置需要被增强、哪些背景需要被抑制。它不会像可变形采样那样引入额外的坐标预测头，所以训练更稳，部署也更简单。

5.3 插入位置、计算开销与消融观察

CAA插在哪很关键。我对比过两个位置：一是插在主干网络末端，二是插在PAN结构的三个不同尺度特征层之后。实验结果非常明确，插在PAN输出层前面的效果明显更好。

原因也符合直觉：PAN结构已经把深层语义信息和浅层细节做了初步融合，这时候再用CAA做一次上下文重标定，等于把“哪些位置值得再看一次”的决策放到了融合之后。而主干末端特征图分辨率太低，鱼眼信息已经丢失了大半，注意力想增强也没东西可增强。

因为在YOLOv8里，检测头会接收三个尺度的特征图，所以我在每一路输入检测头之前都插入了一个CAA模块。这样三个尺度共享同一套注意力逻辑，但是各自独立计算权重。参数量上，以s尺寸模型为例，CAA引入的新增参数大约0.7M，单张图像的推理耗时增加约0.8毫秒。相比它在mAP上的提升，这个代价是值得的。

消融实验还暴露了一个现象：单独加CAA时，误检率下降最明显；和RepNCSPELAN一起加时，漏检率下降更突出。这说明两个模块的改进路径确实不同，一个在帮模型“找得更准”，一个在帮模型“保留更多细节”，组合起来刚好互补。

6. 眼径测量：从检测框到毫米的换算链路

检测模型做出来之后，项目其实只完成了一半。标题里写的是“检测与测量分析系统”，测量这部分如果做不好，前面检测精度再高也没有闭环。

鱼眼检测的输出是一个矩形框，而测量需要的是一个毫米级的尺寸值。这中间隔着至少四步：像素标定、目标区域提取、特征拟合、误差修正。每一步都有坑，我逐个说。

6.1 测量系统要解决的核心问题

测量环节的核心问题不是“检测框有多准”，而是“检测框到物理尺寸的映射有多稳”。一张图像里的鱼眼可能只占30×30像素，每一像素代表的实际毫米数取决于相机到鱼眼的距离、镜头焦距、相机内参。这些参数变化一点，测量结果就跟着变。

所以测量系统的第一步是让成像条件可控。我在采集阶段就把相机固定，镜头垂直向下，鱼眼所在的平面基本平行于相机成像面。这个“基本平行”很重要：如果鱼眼相对于成像面倾斜，投影出来的椭圆的短轴会缩短，长轴也可能略微变化。倾斜角度过大时，测量值会明显偏低，这属于系统误差的范畴。

6.2 标定方案：固定机位加比例尺参考

测量标定我没有用复杂的棋盘格标定板，而是采用了一个更符合现场操作的方法：比例尺参考法。具体操作是，在画面边缘放置一条已知长度的标尺，然后在训练和测试时都保持相机机位不变，这样我就能算出每一张图像里的像素-毫米比例系数，简称为PPI。

计算方式很直观：读取标尺在图像里占据的像素长度，除以标尺的实际物理长度，得到每毫米对应多少像素。如果一个物体的检测框测得120像素，PPI为8像素每毫米，那这个物体的物理尺寸就是15毫米。这个方法的精度主要取决于标尺像素长度的读取误差，我通常会在标尺上放两个黑白角点，通过角点检测自动算长度，避免手动去数像素。

如果机位不能固定，比如在野外调查时需要手持拍摄，那每一帧图像都得在画面里保留一个已知尺寸的参考物。我给这套系统做了一个额外的参考物检测模块：画面里只要出现一个特定尺寸的圆形标定片，程序就会自动提取它的像素直径并更新当前帧的PPI。这个模块虽然小，却让整套系统从“只能固定使用”变成了“可以灵活部署”。

6.3 从检测框到眼径：椭圆拟合比直接量框更可靠

检测框是一个矩形，它把鱼眼周围的背景也包进去了。如果直接拿检测框的宽或高当作眼径，误差会随着鱼眼和背景的对比度变化而波动，特别是反光强的时候，框会被多撑出来好几个像素。

更稳的做法是在检测框内部做一次目标区域的细提取。鱼眼区域在灰度图上通常呈现为一团暗色或一团亮色，与周围皮肤有明显边界。我先在检测框内用自适应阈值分割提取连通域，然后对连通域做最小外接椭圆拟合。椭圆的长轴就是眼径的方向长度，短轴可以用来做姿态检测。

拟合之后还要做一个合理性校验：如果椭圆的长短轴比值超过一定阈值，说明这个目标可能不是鱼眼，或者鱼眼严重侧转，此时测量结果不可信，标记为“不可测”而不是硬给一个数值。这一步对数据质量的影响非常大，因为侧转鱼眼的投影误差不是通过标定能修正的，它属于几何意义上的信息丢失。

我用一段伪代码总结一下测量流程：

输入：检测框坐标 1. 裁切检测框区域并放大到统一尺寸 2. 做自适应阈值分割，提取眼球连通域 3. 计算连通域的最小外接椭圆 4. 若长短轴比值 < 1.5，则以长轴为眼径像素长度；否则标记为不可测 5. 眼径毫米值 = 眼径像素长度 / 当前帧PPI 6. 记录置信度、时间戳、鱼眼位置

6.4 测量结果的误差修正与对标

自动测量和人工测量之间的系统偏差，不能只靠标定解决，还需要做一次回归校正。我拿了300条鱼眼样本，用电子卡尺人工测量并和系统输出对比。结果是系统输出的眼径整体约偏低0.1到0.3毫米，原因是鱼眼边缘的反光区域在分割时容易被划到背景里，导致椭圆拟合略微收缩。

处理办法是做一元线性回归校正。我把人工测量值作为因变量，系统测量值作为自变量，拟合出一条校正直线。这批样本上拟合出的系数大约是斜率0.97、截距0.12毫米。也就是说，系统输出的数值乘0.97再加上0.12毫米，就得到更接近人工测量的结果。这样做之后，系统测量和人工测量的平均绝对误差从0.33毫米降到0.18毫米，对眼径普遍只有几毫米的鱼类样本来说，这个误差水平已经满足实际采集需求。

还有一个容易忽略的点：相机畸变。普通镜头在画面边缘存在桶形畸变，会改变局部像素到毫米的比例。我的做法是优先只对画面中央60%区域的检测结果做测量，边缘区域的目标做畸变校正之后再计算。校正映射表可以用棋盘格照片提前算好，运行时直接查表。

7. 实验复盘：mAP涨了多少，速度掉了多少

结构改完、数据链路通了，接下来就是最关键的实验验证。这一节我用表格直接给出我这一批实验的结果，并分析每个改动带来的是什么。所有数据都在同一套训练集和验证集上产生，避免因为数据分布不一致导致对比失真。

7.1 训练配置与数据集划分

数据集总量大约4200张图像，鱼眼目标约9800个。按视频片段划分训练集3400张、验证集500张、测试集300张。训练输入分辨率640×640，批大小16，优化器用SGD，动量0.937，权重衰减5e-4。初始学习率0.01，采用余弦退火调度，前3个epoch做warmup，训练总轮数200，EMA开启。

这里解释一下为什么用SGD而不是Adam。YOLOv8官方基线在SGD下表现稳定，而Adam在小目标检测任务里有时会在训练后期出现过拟合现象。鱼眼数据集的样本分布不算复杂，SGD的训练曲线虽然更慢，但终点更稳。

7.2 检测指标对比

我跑了四个配置：YOLOv8n做下限参考，YOLOv8s做基线，然后逐步叠加RepNCSPELAN和CAA。显卡是我用来做实验的那块消费级测试卡，单卡训练，推理耗时在相同输入尺寸下测量。

最直观的结论是：两个改进叠加之后，mAP50从88.0涨到91.6，mAP50-95从71.3涨到77.3。mAP50-95的涨幅比mAP50更大，意味着改进后的模型不仅找得更准，而且框的位置更贴合目标边界。这个特性对后续测量非常关键。

单帧耗时从8.1毫秒涨到10.4毫秒，参数量增加2.3M。对于只需要处理单路视频流的场景，这个时延完全可接受。如果目标是嵌入式设备，建议在推理阶段做INT8量化，代价是精度会下降1到1.5个百分点，但速度可以追回到接近原始YOLOv8s的水平。

7.3 消融实验：两个改动各自的价值

单独看叠加效果可能还不够，我还做了一组消融实验，分析每个模块在漏检和误检上的表现差异。统计方式是分别计算测试集里三类错误的数量：漏检的鱼眼、误检成鱼眼的背景区域、检测框偏移超过50%的错位目标。

结果很有意思。单独加RepNCSPELAN时，漏检数量下降约30%，但误检数量几乎没有变化。这是因为该模块保留的特征更丰富，让之前看不清的模糊鱼眼能被发现。单独加CAA时，误检数量下降约28%，漏检下降只有约10%。这是因为注意力机制学会了抑制零散高光区域和背景纹理，让模型不再把非鱼眼的东西当成鱼眼。

两个模块合在一起时，漏检和误检同时下降，而且没有发现互相冲突的情况。这也验证了我前面的判断：一个在“找得全”上下功夫，一个在“找得准”上下功夫，它们解决的是两个不同层面的问题。

7.4 测量精度的最终对比

检测之后，我还对比了不同模型配置下测量链路的最终误差。用耦合了各模型的检测系统跑测试集，计算系统测量值和人工卡尺测量值之间的平均绝对误差。

基线模型虽然mAP也有88，但在高反光场景下检测框抖动明显，导致测量误差偏大。改进后的模型框更稳定，误差显著下降。这说明对于“检测+测量”这种复合任务，不能只看检测指标，还要看检测框稳定性。

8. 部署时踩过的坑和调参记录

实验指标好看只是第一步，系统要能真正在采集端跑起来，部署环节的技术细节才是决定成败的部分。这一节我把部署过程中遇到过的问题和最终调参方案记录下来，涉及模型导出、推理优化、后处理策略和硬件适配几个方面。

8.1 小目标漏检的针对性处理

部署时遇到最多的场景是这样的：鱼在画面快速移动，或者背部高光很强，模型在连续几帧里偶尔漏检。漏检对检测系统来说是百分比的问题，对测量系统来说是数据断流的问题。

我的处理方案分三层。第一层是推理分辨率。把输入从640×640提高到960×960，小目标漏检率确实下降，但推理耗时几乎翻倍，实时性不可接受。最终我保留640输入，不是因为960不好，而是因为这个检测任务需要保证30ms以内的处理节奏。

第二层是图像预处理。采集端在进入模型前先做一次自适应直方图均衡化，增强暗部和亮部的对比度。这个操作对背光场景尤其有效，鱼眼在低对比度画面里经常和背景融为一体，均衡化之后轮廓会清晰很多。

第三层是低置信度框的二次确认。对置信度落在0.2到0.5之间的候选框，我会把它们裁切出来，送进一个极小的二分类网络做二次判断。这个小网络只有两层卷积加一个全连接，参数不到0.5M，但能抠掉大量误检，同时不会漏掉真正的低置信度鱼眼。这个“检测头粗筛、小分类器精排”的组合，在很多低端硬件上比单纯加大模型划算得多。

8.2 NMS参数与重叠目标的处理

鱼眼检测属于单类目标检测，NMS的调整思路和通用多类检测不一样。我对比了普通NMS和DIoU-NMS，发现DIoU-NMS在鱼眼目标彼此靠近时表现更好，因为它不仅考虑框之间的IoU，还考虑中心点距离——两个重叠但中心位置不同的框会被保留下来。这在鱼群挤在一起、多个鱼眼出现在同一区域时非常管用。

NMS阈值我用的是0.45，置信度阈值是0.25。阈值太高会把低置信度的真目标过滤掉，太低又会让误检变多。为了更均衡，我在测试集上扫了一轮阈值，画了“置信度-精度/召回”曲线后选了这两个值。这类参数在YOLOv8里一件很简单的事，但很多人直接沿默认配置，在小目标场景下不一定合适。

还有一个细节：检测头输出的框在极端宽高比下可能是不合理的。鱼眼是近似椭圆形的，长宽比应该在0.6到1.6之间。我在后处理里加了这一条几何约束，超出范围的框直接丢弃。这个规则基本上零成本，却能把一部分水草叶片误检清理掉。

8.3 导出与硬件适配的经验

项目最终要跑在一个小型嵌入式设备上，所以模型导出这一环避不开。我的导出顺序是：先把重参数化后的PyTorch模型转换成ONNX，再用对应硬件平台的推理引擎做加速。ONNX导出阶段有两个容易踩的坑，我在这里一并说。

第一个坑是动态输入尺寸。如果导出时把输入尺寸设置成动态，某些推理引擎在运行时会产生额外的内存分配和预处理开销。这个项目输入尺寸是固定的640×640，所以导出时我直接把动态轴全部锁定，换取更快的推理速度。

第二个坑是注意力模块里的平均池化层。如果输入张量不是被锁定的固定尺寸，平均池化的padding行为在不同推理引擎里可能产生细微差异，导致同一个模型在两种硬件上的输出不完全一致。固定输入尺寸之后，这个问题自然消失。

对于INT8量化，我实测的结果是检测mAP50大约下降1.2个百分点，但推理耗时能降到接近原始YOLOv8s的水平。如果生产环境的精度要求不是特别严苛，这个量化方案值得优先试。我自己最终在嵌入式设备上跑的是INT8版本，测试集测量误差比FP32版本大约高0.05毫米，对实际使用影响不大。

每次改完结构，我都会在训练结束的验证阶段刻意检查三类样本：高反光鱼眼、快速游动拖影帧、近距离特写的低角度鱼眼。这三类样本几乎涵盖了这个任务里所有容易出错的边界情况。只要这三类不恶化，我就认为模型是“可用”的，哪怕个别指标轻微波动也没关系。

整套流程走下来，我的核心体会是结构改进和工程链路缺一不可。RepNCSPELAN和CAA确实给鱼眼检测带来了实打实的精度提升，但如果前面没有一套严格的数据采集和测量标定规范，这些提升最后也转化不成真实的测量价值。做视觉测量项目，技术指标永远是服务于“能不能稳定输出一个可信的数值”这个终极目标的。