YOLOv8 增加 P2 层后可在 4K 分辨率下有效检测 8×8 像素级小目标，但需权衡计算资源消耗。开发者可根据实际需求选择是否启用 BiFPN 或剪枝优化。完整代码示例可参考 13 提供的开源项目。

在 YOLOv8 中增加 P2 检测层的完整操作流程与核心调整逻辑：

一、修改模型配置文件（关键步骤）

1. 定位 YOLOv8 的 yaml 文件
   找到模型结构定义文件（如 yolov8.yaml ），定位到 head 部分的特征融合模块（通常为 Detect 或 C2f 结构）5。

2. 添加 P2 层参数

   • 原始输出层配置（默认 P3-P5）：

   • 添加 P2 层后配置（新增 P2/4）：
     需确保通道数（如128）与相邻层（P3的256）按比例递减，避免特征维度不匹配 15。

3. 调整特征融合结构
   在特征金字塔（FPN/PAN）模块中，增加对 P2 层的上采样与拼接操作：

二、特征金字塔结构调整

1. 增加浅层特征提取
   • 在 Backbone 中保留更多浅层特征（如第3-4层），用于生成高分辨率的 P2 特征图 3。
   • 示例修改：

2. 双向特征融合优化
   引入 BiFPN 结构，增强 P2 层与深层特征的信息交互：

   

   需自定义 BiFPN 模块实现加权特征融合 3。

三、数据增强策略调整

1. 输入分辨率提升
   • 将训练图像尺寸从 640×640 调整为 1280×1280，以保留小目标细节 5。
   • 修改训练命令参数：

2. 针对小目标的增强方法
   • 启用 Mosaic 增强时，限制最小裁剪尺寸（如 mosaic_min_ratio=0.1）5。
   • 增加随机小目标生成（Copy-Paste 增强）：

四、训练参数优化

1. 损失函数调整
   • 对小目标检测层（P2）使用更高的损失权重：

   • 引入 Focal Loss 缓解小目标样本不平衡问题 5。
2. 学习率策略
   • 采用 Warmup 阶段延长至 500 迭代步，避免浅层特征训练不稳定：

五、验证与部署注意事项

1. 性能评估
   • 使用 COCO 数据集中的 small 类别（面积 < 32²像素）验证改进效果 5。
   • 对比 mAP@0.5:0.95 与 mAP@0.5 指标，关注小目标召回率提升幅度。
2. 推理速度优化
   • 对 P2 层输出进行稀疏化处理（如通道剪枝），减少计算量 1。
   • 示例剪枝配置：

效果对比（参考实验数据）