一个让所有目标检测工程师头疼的经典问题先看一个真实的工业场景。你在做一个输电线路的无人机巡检项目，图像分辨率 4000×3000，绝缘子破损目标通常只有8×10 像素。你兴冲冲地用 YOLO11 训练了 300 个 epoch，mAP50 看起来还行，但一上测试集，小目标的召回率惨不忍睹——大量破损绝缘子被漏检。问题出在哪？不是模型不够大，而是标签分配阶段就把这些小目标“判了死刑”。在传统的 Task-Aligned Assigner（TAL）中，一个 ground-truth 框要成为正样本，需要预测点的中心落在 GT 框内，然后根据分类得分和 IoU 的综合指标排序取 Top-K。对于一个 8×8 像素的目标，经过 stride=8 的下采样后，最多只有 1 个特征点落在框内。如果这个特征点的预测框稍微偏移 2 个像素，IoU 就从 0.6 暴跌到 0.2，直接被判定为负样本。结果就是：模型在整个训练过程中，几乎从未见过这些小目标的正样本。它学到的是——“那些小黑点都是背景。”Ultralytics 在 YOLO26 中引入的STAL（Small-Target-Aware Label Assignment），正是为了解决这个根本性问题。根据 Ultralytics 官方博客 2026 年 1 月 20 日发布的文章，STAL 的核心目标是确保小目标在训练过程中至少获得 4 个正样本锚点