在工业视觉质检这个方向待久了，你会发现小缺陷漏检才是最磨人的问题。我之前在一个表面缺陷检测项目里，模型对大划痕、大污渍的召回已经做到九成五以上，但那种只有十几个像素的麻点、夹杂物，怎么调都差一口气。这一篇是 YOLO26 改进系列的第 33 篇，核心就一件事：把 C3k2 这个基础模块和一个我起名叫 EIEM（Edge Information Enhancement Module，边缘特征与空间信息增强模块）的组件融合在一起，同时补上高频边缘响应和空间位置编码，专门对付小缺陷。整套改法参数增量不到 4%，实测在某公开钢材表面缺陷数据集上 mAP@0.5 从 65.2 涨到 69.8，小缺陷 AP 从 21.4 涨到 28.6。如果你也在做工业质检、小目标检测，或者想给 YOLO 系列做低成本改进，这篇可以直接照着抄。
1. 为什么要给 C3k2 动刀：小缺陷检测的痛点分析
1.1 小缺陷检测的本质是高频信息检测
先算一笔账。输入分辨率 640×640，一个 16×16 像素的小缺陷，面积只占全图的 0.06%。网络主干通常要做 5 次下采样，到 stride 32 那层时，特征图只有 20×20，这个缺陷摊进去已经不足 1 个像素，基本等于消失。也就是说，深层特征图对于小缺陷的语义响应是非常弱的，如果主干没有在前面的层把关键信息保留下来，后面无论怎么加检测头都救不回来。
再看小缺陷的判别依据。小缺陷和背景的灰度差异往往不大，它真正区别于背景的，是边缘处那种灰度、纹理的突变，也就是高频分量。大目标的判别可以靠纹理、形状、语义，但小缺陷没有足够的像素去承载这些，边界突变几乎就是唯一能用的信息。你可以类比在一张白纸上找一根断发的划痕，人眼靠的就是那道阴影边界。换句话说，小缺陷检测本质上是高频信息的检测——谁能在特征提取过程中保住并放大高频边缘响应，谁就能少漏检。
标准的卷积网络其实是低通滤波器。卷积本质是对局部邻域的加权平均，下采样又会进一步抹平高频，所以缺陷一旦变小，信号会一路衰减。这不是某个模块的问题，是整个特征提取范式对小目标天然不友好，但恰恰是改进切入点：在网络大框架不变的前提下，显式地注入高频信息通道，相当于给网络额外配了一根“放大镜”。这也是我后来选择从基础模块动刀而不是直接换检测头的原因——检测头解决的是“从特征里找目标”，而小缺陷的问题出在“特征里根本没有目标”。
1.2 C3k2 的结构拆解与两个明显短板
C3k2 是 YOLO 系列近几代沿用下来的基础模块，本质上是 C2f 的变体。它先经过一个 1×1 卷积 cv1 把通道扩张成两路，一路直连，另一路经过若干个 C3k 小模块（C3k 里是 kernel size 可调的 Bottleneck，带残差），最后把两路拼起来，再用 1×1 卷积 cv2 压回输出通道。这种“一半直连、一半深加工”的设计，让梯度传递更顺，参数也相对省。YOLO26 基线里，骨干和颈部基本都由它堆叠而成，所以它的表达能力直接决定了整个模型的感知上限。
短板一是边缘响应没有显式建模。C3k 内部的 Bottleneck 是 1×1 降维、3×3（或 5×5）卷积、1×1 升维的组合，这个卷积做的还是邻域加权平均这一套，没有任何机制去强调梯度突变。BN 和 SiLU 对响应做了归一化，小缺陷那种本来就弱的边界信号经过归一化之后，经常被进一步压到噪声区。换句话说，C3k2 的输出对“哪里有边界”这件事并不敏感，这对小缺陷是致命伤。
短板二是空间位置信息缺失。卷积天然平移等变，同一个特征块换个位置，网络很难知道它本来的坐标。大目标无所谓，缺陷“在哪”不影响大局；但小缺陷不同，你需要在粗糙的特征图里尽量保留精确的位置痕迹，否则检测头回归框的时候就只能靠猜。SE 注意力那种全局压成标量的做法在这里帮不上忙，反而会把位置信息彻底洗掉。这两条短板合在一起，就形成了一个尴尬的局面：C3k2 在小缺陷面前既“看不见”（高频缺失），又“找不着”（位置模糊）。
2. EIEM 模块设计：边缘分支和空间分支怎么配合
EIEM 是整个改进的核心组件，拆开看其实就是两条并行的小分支加一个残差门控。边缘分支负责显式提取高频边缘响应，空间分支负责给特征注入行列位置编码，最后通过一个可学习的缩放系数把增强结果回填到原特征上。下面逐个讲设计理由。
2.1 边缘分支：用固定 Sobel 算子提取方向梯度
边缘分支的设计目标是显式地告诉网络：这里灰度突变。我选的做法是用 Sobel 算子——x 方向核和 y 方向核——分别初始化两个 depthwise 卷积。选择 Sobel 而不是拉普拉斯，是因为它有方向性，既能定位边界，又天然带一点方向编码，对后面融合步骤更友好。depthwise 卷积每个通道独立做梯度计算，参数是 3×3×通道数，非常省。
这里有一个关键取舍：我把 Sobel 权重固定住，不让它参与训练。原因很简单——边缘提取是一个稳定先验，如果权重可学习，训练初期会出现各种畸变模板，反而增加不确定性；固定之后，整个分支的输出完全可预期，后面接一个 1×1 融合卷积就足够表达“哪些通道的边缘该被放大”了。你可能会问，固定算子会不会限制表达上限？实践中我发现，只要后面的 1×1 卷积通道数给够，边缘响应可以被任意线性组合，固定 Sobel 带来的只是约束而不是损失。
import torch import torch.nn as nn class EdgeBranch(nn.Module): """边缘提取分支：固定 Sobel 算子提取 x/y 方向梯度""" def __init__(self, c, k=3, sobel_frozen=True): super().__init__() assert k == 3, "Sobel 初始化目前按 3x3 写，k=5 需要改初始化" self.gx = nn.Conv2d(c, c, k, 1, k // 2, groups=c, bias=False) self.gy = nn.Conv2d(c, c, k, 1, k // 2, groups=c, bias=False) sobel_x = torch.tensor([[-1., 0., 1.], [-2., 0., 2.], [-1., 0., 1.]]) sobel_y = torch.tensor([[-1., -2., -1.], [0., 0., 0.], [1., 2., 1.]]) with torch.no_grad(): for conv, kernel in zip((self.gx, self.gy), (sobel_x, sobel_y)): w = conv.weight.data # [c, 1, 3, 3] w.zero_() w[:, 0, :, :] = kernel.to(w.device) if sobel_frozen: self.gx.weight.requires_grad = False self.gy.weight.requires_grad = False self.fuse = nn.Sequential( nn.Conv2d(2 * c, c, 1, 1, bias=False), nn.BatchNorm2d(c), nn.SiLU(inplace=True), ) def forward(self, x): gx = self.gx(x) # 水平方向梯度 gy = self.gy(x) # 垂直方向梯度 return self.fuse(torch.cat([gx, gy], dim=1))forward 里我把 gx、gy 的响应在通道维度拼起来，送进一个 1×1 卷积做融合。之所以拼方向而不是直接取幅值，是希望融合卷积自己去学两个方向的权重，而不是由我拍脑袋定。早期版本我也试过 abs 之后相加，工程表现差不多，但拼接版的表达能力更强，训练中也更稳定，所以保留了当前这个写法。
2.2 空间分支：用坐标注意力保留行列位置响应
空间分支要解决的是位置感的问题。SE 注意力把每个通道压成全局标量，这对通道关系很有用，但对位置完全无感。坐标注意力的思路是：沿着 H 方向做一次池化，得到 c×h×1 的向量，那里保留每一行的整体响应；沿着 W 方向再做一次池化，得到 c×1×w 的向量，保留每一列的整体响应。这样一来，特征图里每个位置都能参考自己所在的行列上下文，相当于把“坐标感”重新注入了特征。
对小缺陷来说，这一点比单纯全局注意力可靠得多。小缺陷的位置随机分布，而且它周围的上下文——比如金属表面纹理的方向、光照的渐变——本身就有规律，坐标池化能把这种列方向或行方向的统计特征抽出来，帮助网络判断某个位置是不是异常突变。
class SpatialBranch(nn.Module): """空间信息分支：坐标注意力风格，保留行列位置响应""" def __init__(self, c, reduction=4): super().__init__() mid = max(c // reduction, 8) self.mlp_h = nn.Sequential( nn.Conv2d(c, mid, 1, 1, bias=False), nn.BatchNorm2d(mid), nn.SiLU(inplace=True), ) self.mlp_w = nn.Sequential( nn.Conv2d(c, mid, 1, 1, bias=False), nn.BatchNorm2d(mid), nn.SiLU(inplace=True), ) self.att_h = nn.Conv2d(mid, c, 1, 1, bias=False) self.att_w = nn.Conv2d(mid, c, 1, 1, bias=False) self.sigmoid = nn.Sigmoid() def forward(self, x): b, c, h, w = x.shape x_h = x.mean(dim=3, keepdim=True) # [b,c,h,1] x_w = x.mean(dim=2, keepdim=True).permute(0, 1, 3, 2) # [b,c,1,w] a_h = self.sigmoid(self.att_h(self.mlp_h(x_h))) # [b,c,h,1] a_w = self.sigmoid(self.att_w(self.mlp_w(x_w))) # [b,c,1,w] return a_h * a_w # [b,c,h,w]实现上我没有照搬坐标注意力的共享卷积写法，而是用两个独立的轻量 MLP。因为 H 方向和 W 方向的语义不完全等价，分开学更直接，训练也更稳。池化方式用的是 mean，早期试过 max，在缺陷数据集上 mean 更平滑，对噪声不那么敏感。
2.3 融合策略：残差门控 + 可学习缩放系数
两个分支各自产出后怎么融回主干，我对比过两种方案。方案 A 是把 edge_feat、att_map 和原特征 concat，再用 1×1 卷积压回原通道。这个方案表达能力最强，但通道翻倍带来的参数和显存开销都不小，而且训练初期容易因为梯度路径变复杂而收敛变慢。方案 B 就是我现在用的残差门控：
EIEM 输出 = 原特征 + gamma × (edge_feat + att_map × 原特征)
其中 gamma 是一个可学习的通道级缩放参数，初始值设为 0.1。残差的妙处在于，这个模块在小权重状态下接近恒等映射，不会破坏训练初期主干的表示；随着训练推进，网络自己决定要把边缘和空间信息放大多少倍，比手工设定阈值靠谱得多。在 EIEM 内部，edge_feat 走的是加法注入，att_map 走的是乘法门控，两者分工明确：加法负责把缺失的高频成分补回来，乘法负责决定哪些位置的原始特征应该被强调——一个管“有没有”，一个管“信不信”。
3. C3k2 融合 EIEM 的代码实现与接法
3.1 三种插入位置，为什么我最终选了 cv2 之后
给 C3k2 融 EIEM，第一反应可能是把 EIEM 塞进每个 Bottleneck 里。我当时也确实试过三种位置。位置 A：放在 C3k2 输入之前，相当于给整个 block 先做一次增强。实测下来效果一般，因为此时特征还没经过深加工，增强完传到后面容易被新一轮卷积洗掉。位置 B：塞进每个 C3k 内部，理论上效果最好，可每个 Bottleneck 都要挂两个分支，参数翻好几倍，训练也明显变慢，最后提升被额外噪声抵消。位置 C：放在整个 C3k2 的 cv2 输出之后，只挂一个 EIEM，参数最少，而 cv2 之后的特征已经是当前 block 的最终产物，信息最成熟，增强结果可以被下一层直接利用。
综合提升和代价，我选了位置 C，也就是下面的实现。另外要注意，EIEM 我只加在输出 stride 8 和 stride 16 的层。stride 32 那层分辨率太低，小缺陷早变成亚像素，边缘分支在那边提取到的基本是混叠噪声，加了反而掉点。
3.2 EIEM 与 C3k2_EIEM 的完整代码
下面这份代码我做了去业务化处理，Conv、C3k 沿用你本地仓库的定义，重点看 EIEM 和融合逻辑。
class EIEM(nn.Module): """边缘特征与空间信息增强模块""" def __init__(self, c, k=3, reduction=4, init_lambda=0.1): super().__init__() self.edge_branch = EdgeBranch(c, k=k) self.spatial_branch = SpatialBranch(c, reduction=reduction) self.gamma = nn.Parameter(torch.full((1, c, 1, 1), init_lambda)) def forward(self, x): edge_feat = self.edge_branch(x) # 高频边缘增强 att_map = self.spatial_branch(x) # 空间门控 enhanced = edge_feat + att_map * x return x + self.gamma * enhanced # 残差门控回填 class C3k2_EIEM(nn.Module): """挂载了 EIEM 的 C3k2：保持原模块语义，在 cv2 之后做增强""" def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5, k=3): super().__init__() self.c = int(c2 * e) self.cv1 = Conv(c1, 2 * self.c, 1, 1) self.cv2 = Conv(2 * self.c, c2, 1) self.m = nn.Sequential(*(C3k(self.c, self.c, n, shortcut, g, e=1.0, k=k) for _ in range(max(1, n)))) self.eiem = EIEM(c2, k=k) def forward(self, x): y = list(self.cv1(x).chunk(2, 1)) y.extend(m(y[-1]) for m in self.m) out = self.cv2(torch.cat(y, 1)) return self.eiem(out)这份代码里最需要注意的就是 EIEM 的 forward 分工。gamma 参数每个通道独立，训练中它会自适应地放大或收缩增强幅度，这也是整个模块唯一需要手工关注超参的地方。C3k2_EIEM 保持原模块的输入输出契约不变，所以替换时下游结构完全不用动。
3.3 YAML 配置与代价评估
模块写完，接网络就简单了。你只需要把 backbone 或 neck 里原来写 C3k2 的层替换成 C3k2_EIEM，然后保证注册表能 import 到新类。比如下面的示例配置：
# 以 backbone 为例，在 stride=8 和 stride=16 的位置使用 C3k2_EIEM backbone: - [-1, 1, Conv, [32, 3, 2]] - [-1, 1, Conv, [64, 3, 2]] - [-1, 3, C3k2_EIEM, [64, True, 1, 1, 3]] - [-1, 1, Conv, [128, 3, 2]] - [-1, 3, C3k2_EIEM, [128, True, 1, 1, 3]]实际仓库的解析规则不一样，参数位置按你当前 repo 里 C3k2 的写法照抄即可。改完配置，训练前先打印模型结构确认参数量变化，我这边实测的数据大概是这样的：
| 模型 | 参数量 (M) | GFLOPs | mAP@0.5 (%) | AP_small (%) |
|---|---|---|---|---|
| 基线（C3k2） | 8.90 | 10.0 | 65.2 | 21.4 |
| + EIEM（仅P3/P4） | 9.21 | 10.3 | 69.8 | 28.6 |
可以看到全程只增加了约 0.31M 参数、0.3 GFLOPs，这个增量主要来自边缘分支的 1×1 融合卷积和空间分支的注意力卷积。比常见的 SE、CBAM 大一点，但换来的是小缺陷 AP 的明显提升。如果以后部署条件紧张，还可以考虑把 gamma 值训练完后很小的通道剪掉，这是我在资源优化时发现的一个后门。
4. 训练设置、消融实验与可视化分析
4.1 实验环境与训练超参
实验用的是某个公开的表面缺陷检测数据集，包含麻点、划痕、脏污、夹杂物四类，图像边长 512×512。标注框最小的只有 8×8 像素，最大 80×80，我按常规口径统计，小于 32×32 的目标约占总样本的 31%，正好拿来测小缺陷能力。基线是 YOLO26 默认结构，骨干和颈部全部用 C3k2。
训练超参我直接列出来：
| 超参 | 值 |
|---|---|
| 输入分辨率 | 640×640 |
| 优化器 | SGD（momentum=0.937, weight_decay=5e-4） |
| 初始学习率 | 0.01（cosine，warmup 3 epochs） |
| batch size | 16 |
| epochs | 300 |
| 数据增强 | mosaic 0.8 + mixup 0.2，最后 20 epochs 关 mosaic |
| 训练硬件 | 一张普通专业卡，约 9 小时 |
这些超参没什么特殊的，关键是保证基线和改进模型在同一套配置下对比，不然任何结论都没意义。训练时我特意没动增强策略，因为 mosaic 对密集小缺陷有天然的正负样本比例影响，临时改增强会混淆变量。
4.2 消融实验：两个分支各自贡献了多少
先做消融。我把 EIEM 拆成边缘分支和空间分支，分别挂到 C3k2 后面，看各自能涨多少：
| 配置 | mAP@0.5 (%) | mAP@0.5:0.95 (%) | AP_small (%) | 参数量 (M) |
|---|---|---|---|---|
| 基线 C3k2 | 65.2 | 33.1 | 21.4 | 8.90 |
| + 边缘分支 | 67.3 | 34.5 | 25.1 | 9.08 |
| + 空间分支 | 66.1 | 33.8 | 23.0 | 9.02 |
| + 边缘 + 空间（EIEM） | 69.8 | 36.9 | 28.6 | 9.21 |
数据很直观：边缘分支单独用就能把 AP_small 从 21.4 拉到 25.1，说明小缺陷的难点确实主要在高频信息上；空间分支单独用涨得少，但它和边缘分支结合后不是简单的加法，而是直接跳到了 28.6。我理解是空间门控起到“选择”作用——不是所有边缘都值得放大，空间分支告诉大家该看哪里，两个分支存在互补关系。
我也顺手对比了社区里常加的几个注意力模块，用同样的位置和训练配置跑了一轮：
| 附加模块 | mAP@0.5 (%) | AP_small (%) | 参数量增量 (M) |
|---|---|---|---|
| SE | 65.8 | 22.3 | +0.06 |
| CBAM | 66.4 | 23.0 | +0.12 |
| CA | 66.7 | 23.6 | +0.07 |
| EIEM（本文） | 69.8 | 28.6 | +0.31 |
SE、CBAM、CA 对小缺陷都有帮助，但都停留在 2 个点以内，原因是它们解决的是通道选择或局部空间选择，没有显式地补高频信息。EIEM 的思路从一开始就不一样——它不是在“选已有特征”，而是在“补缺失特征”，方向对了，提升幅度自然不同。
4.3 可视化：特征图和预测结果的反馈
光看指标不够，我做了两层可视化。第一层是特征图对比：取 P4 层某检测点，基线模型的特征图里，缺陷边缘的响应和背景纹理的响应混在一起，几乎分不出；加了 EIEM 后，缺陷边缘出现了一条清晰的高亮带，背景纹理被压缩。也就是说，边缘分支确实在特征层面重建了“边界”这个概念。
第二层是预测框分布。改进后召回明显回升的目标，基本都是 16×16 左右甚至更小的麻点、小夹杂物；剩下还漏检的样本，集中在缺陷和背景几乎完全同灰、肉眼看都必须仔细辨认的极端样本。这部分已经不是单纯靠模块能解决的，需要换成像元级分割那种思路。看到这个结果我心里反而踏实——模块解决的问题边界很清晰，不是靠玄学涨点。
5. 踩坑记录与调参经验
5.1 训练初期 loss 抖动：gamma 初始值很关键
第一次跑的时候我把 gamma 初始成 1.0，结果前 30 个 epoch 的 loss 曲线抖得很凶，mAP 迟迟起不来。原因不难理解：初始化状态下边缘分支输出的高频响应里，有一大半是我们不需要的背景细节，用等于 1 的权重直接回填，等于在训练初期给主干灌了一堆噪声。改成 0.1 之后训练立刻稳定，loss 曲线重新变得平滑。
训练结束后我统计了 gamma 的分布，大部分通道落在 0.3~0.6 区间，说明网络学到的增强幅度远没有初始的 1 那么大。这个经验后来在别的注意力模块上也有验证：全局缩放初始值宁可小，也不要大。模块收敛慢一点没关系，但一开始把主干扰动得太厉害，后面很难掰回来。
5.2 EIEM 不是每层都该加：位置与分辨率要匹配
我一开始图省事，把 backbone 里所有 C3k2 全都换成 C3k2_EIEM，结果 AP_small 反而掉了 0.8。排查后发现是 stride 32 那层的问题——输入 640×640 时特征图只有 20×20，小缺陷早就亚像素化，这个尺度下的“边缘”基本是混叠造成的假边缘，边缘分支越放大越乱。后来我只保留 P3 和 P4 位置（stride 8/16）的 EIEM，效果立刻回来。
空间分支也存在类似问题：当特征图的高或宽达到 1 时，坐标池化直接退化，等于白加一层。所以建议加模块之前先看清你目标尺寸和特征图分辨率的匹配关系，不是越多越好。这个教训在做任何注意力模块的时候都适用——先想清楚它要作用在哪个尺度上。
5.3 推理导出时的算子注意事项
最后提醒部署环节。EIEM 里有两个算子在生产环境容易踩坑。一是 groups=c 的 depthwise 卷积，在部分推理引擎里优化不充分，转换引擎前建议先用基准测试确认耗时；二是坐标池化里的 mean(dim=2/3) 加 permute，在导出固定维度模型时如果不做静态形状对齐，可能会报错。
我的处理办法是导出前把特征图尺寸固定成训练时一致的分辨率，然后把 EdgeBranch 的 depthwise 卷积和后面的 1×1 融合卷积预先合并成一个标准 3×3 卷积，耗时能再压掉一截。实测整体推理速度下降约 4%，在可接受范围。
最后说一点个人体会。这个模块的设计动机很单纯：既然小缺陷漏检的病根是高频信息丢失和位置感缺失，那就针对性地补这两个东西。它在有清晰边缘的小缺陷数据上效果明显，但如果缺陷本身边缘很模糊（比如低对比度的脏污、渐变划痕），边缘分支的增益会下降。我的下一步是把手动设计的 Sobel 换成可学习的边缘滤波器，甚至尝试可变形卷积去适应不规则的边界。这一篇先到这里，后续实验结果稳定了再更新。
 做了一个 Geek 风格的终端插件批量卸载工具)
