写在前面：小目标检测，一个被忽视的“硬骨头”如果你跑过PCB缺陷检测、无人机巡检、遥感目标识别或者安防监控项目，你一定体会过什么叫“小目标检测的噩梦”——明明肉眼都隐约可见的微小缺陷，模型就是视而不见；几个像素的焊点虚焊，经过几次下采样后就彻底“消失”在深层特征图里。这不是数据的问题，也不是训练轮次不够的问题。根源在于传统标签分配机制对小目标“天生不友好”。一个6×6像素的小目标，预测框仅仅偏移3个像素，IoU就可能从0.5暴跌到0.1以下——连被分配为正样本的“资格”都没有，模型怎么可能学会检测它？2026年1月，Ultralytics正式发布了YOLO26。与之前YOLO系列的渐进式更新不同，YOLO26从底层重新思考了训练流程，引入了三项关键创新：ProgLoss（渐进式损失平衡）、STAL（小目标感知标签分配）和MuSGD优化器。其中，STAL被官方文档明确描述为“guarantees positive coverage for small objects”——保证小目标在训练期间获得正样本覆盖。这不是一句营销话术，而是一次从标签分配算法层面的结构性变革。本文将深入拆解STAL的核心原理、代码实现、实战配置方法，并用真实benchmark数据验证其在小目标检测场景下的真实收益。实战成果速览：在COCO val2017数据集上，STAL使小目标AP_S从29.0提升至29.6；在工业PCB
写在前面：小目标检测，一个被忽视的“硬骨头”如果你跑过PCB缺陷检测、无人机巡检、遥感目标识别或者安防监控项目，你一定体会过什么叫“小目标检测的噩梦”——明明肉眼都隐约可见的微小缺陷，模型就是视而不见；几个像素的焊点虚焊，经过几次下采样后就彻底“消失”在深层特征图里。这不是数据的问题，也不是训练轮次不够的问题。根源在于传统标签分配机制对小目标“天生不友好”。一个6×6像素的小目标，预测框仅仅偏移3个像素，IoU就可能从0.5暴跌到0.1以下——连被分配为正样本的“资格”都没有，模型怎么可能学会检测它？2026年1月，Ultralytics正式发布了YOLO26。与之前YOLO系列的渐进式更新不同，YOLO26从底层重新思考了训练流程，引入了三项关键创新：ProgLoss（渐进式损失平衡）、STAL（小目标感知标签分配）和MuSGD优化器。其中，STAL被官方文档明确描述为“guarantees positive coverage for small objects”——保证小目标在训练期间获得正样本覆盖。这不是一句营销话术，而是一次从标签分配算法层面的结构性变革。本文将深入拆解STAL的核心原理、代码实现、实战配置方法，并用真实benchmark数据验证其在小目标检测场景下的真实收益。实战成果速览：在COCO val2017数据集上，STAL使小目标AP_S从29.0提升至29.6；在工业PCB
