相比PP-YOLOE模型，PP-YOLOE-SOD改进点主要包括在neck中引入 Transformer全局注意力机制 以及在回归分支中使用 基于向量的DFL 。

引入Transformer全局注意力机制

Transformer在CV中的应用是目前研究较为火热的一个方向。最早的ViT直接将图像分为多个Patch并加入位置Embedding送入Transformer Encoder中，加上相应的分类或者检测头即可实现较好的效果。

这里类似，主要加入了Position Embedding和Encoder两个模块，不同的是输入是最后一层特征图。

PP-YOLOE网络结构

官方文档：PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README_cn.md
论文：PP-YOLOE: An evolved version of YOLO

PP-YOLOE-SOD

官方文档PaddleDetection/tree/release/2.8.1/configs/smalldet
VisDrone-DET 小目标检测模型 为例：

• PP-YOLOE-s
• PP-YOLOE-P2-Alpha-s
• PP-YOLOE±SOD-s
• PP-YOLOE-l
• PP-YOLOE-P2-Alpha-l
• PP-YOLOE±SOD-l
• PP-YOLOE-Alpha-largesize-l
• PP-YOLOE-P2-Alpha-largesize-l
• PP-YOLOE±largesize-l
• PP-YOLOE±SOD-largesize-l
  

核心改进点

PP-YOLOE-SOD 是PaddleDetection团队自研的小目标检测特色模型，核心改进点：

• 数据集分布相关的基于向量的DFL算法
• 针对小目标优化的中心先验优化策略
• 在模型的Neck(FPN)结构中加入Transformer模块
• 结合增加P2层
• 使用large size等策略
• 切图策略

最终在多个小目标数据集上达到极高的精度

网络结构：

图片来源基于PP-YOLOE-SOD实现遥感场景下的小目标检测