做过工业视觉落地的都懂，大目标检测稳到没感觉，一碰到小目标场景直接翻车：电子产线的芯片引脚虚焊、五金件的细小划痕、组装线的微型螺丝，要么漏检满天飞，要么误检多到没法用。调参调了半个月，换了更大的模型，mAP没涨几个点，产线还是过不了。很多人把问题归罪于模型能力不够，动辄换大模型、加层数。其实跑过十几条产线的小目标项目就会明白：通用YOLO的配置，天生就不是为工业小目标设计的。COCO数据集训练出来的默认参数，对像素占比不足5%的小目标，从数据集分布、锚点设计到特征融合，全环节都不匹配。这篇就把经过多条量产产线验证的8个小目标优化手段全部拆解，从数据集、模型、训练到推理部署，每个手段都讲透原理、操作方法、实测效果和踩坑点。全流程做下来，普通YOLOv12的小目标召回率能提升40%以上，不用换大模型也能搞定产线检测。