昨天深夜调一个工业缺陷检测模型，测试集指标明明不错，产线上却总漏检小尺寸瑕疵。盯着监控画面里那些忽隐忽现的微小划痕，突然意识到问题出在哪了——我们的特征金字塔没搭对。YOLO系列发展到v11，Neck网络早已不是简单的特征堆叠，而是精密的特征融合流水线。今天咱们就拆开这个“黑盒子”看看。
从那个漏检的瑕疵说起
问题很典型：模型在3米外拍摄的电路板上，能稳稳抓住大的焊点缺陷，但对那些0.5mm以下的细微裂纹却视而不见。直觉告诉我，这是小目标特征在传递过程中“消失”了。打开模型可视化工具一看，果然，深层特征图分辨率太低，小瑕疵的信息早就被卷积核“平均”掉了。这时候就需要Neck网络来救场——它得把浅层的高分辨率细节和深层的语义信息拧在一起。
FPN：自顶向下的特征传递
FPN（Feature Pyramid Network）干的是件很直观的事：让深层特征“指导”浅层特征。想象一下，你在顶层（深层）看到了“这是个电路板”的宏观认知，然后把这个认知一层层往下传递，告诉每一层“我们现在关注的是电路板上的细节”。具体实现时，通常用1x1卷积统一通道数，再上采样后逐元素相加：
# 伪代码示意，实际实现会更复杂些classFPNLayer(nn
)
