097、多模型级联策略：YOLO 粗检 + 高精度模型细分的两级漏斗方案

097、多模型级联策略：YOLO 粗检 + 高精度模型细分的两级漏斗方案一、从一次线上事故说起去年做工业质检项目，客户要求检测PCB板上的微小焊点缺陷。YOLOv8s跑下来，mAP有0.87，看着还行。结果一上线，漏检率直接飙到15%。排查发现，问题出在那些只有几十个像素的虚焊点上——YOLO的anchor设计天生对大目标友好，小目标特征在深层几乎被抹平了。更头疼的是，客户还要求区分“虚焊”“连焊”“冷焊”三种类型。YOLO虽然能框出来，但分类置信度经常在0.4-0.6之间晃荡，根本没法用。当时团队里有人提议换两阶段检测器，但推理速度从30fps掉到8fps，产线直接不干了。后来我翻出之前做遥感图像时的老思路：用YOLO做第一道筛子，把候选区域抠出来，再扔给一个专门做细分类的小模型。这个方案上线后，漏检率降到2%，分类准确率从72%提到94%，推理速度只降了5fps。今天就把这套“粗检+细分”的两级漏斗方案拆开揉碎了讲。二、为什么单模型搞不定？——特征冲突的本质先别急着写代码，想清楚一个问题：为什么YOLO在检测和细分类上会打架？YOLO的head设计是“共享特征+独立分支”。同一个backbone出来的特征图，既要回归bbox，又要预测类别。当类别数少（比如只有“缺陷”和“正常”）时，特征还能兼顾。但一旦类别细到“虚焊vs冷焊”，这两个类别的视觉差异可能比“虚焊vs正常”还小——backbone被迫在同一个特征空间里同时区分“有没有”和