开篇故事：一个让我熬夜到凌晨3点的bug去年秋天，我接手了一个密集行人检测项目——地铁站监控视频，画面里人挨着人，平均每帧30~50个目标。我用YOLOv5 baseline跑了一周，发现一个诡异现象：训练到第80个epoch时，分类损失还在下降，但回归损失（尤其是小目标的边界框）突然震荡得像心电图。模型预测框要么偏左，要么偏右，就是不贴边。我尝试了所有常规手段：降低学习率、增加warmup、甚至用了标签平滑。结果呢？分类准确率从89%涨到91%，但mAP@0.5:0.95只提升了0.3个百分点。问题出在哪？直到我翻看特征图可视化，才恍然大悟：YOLO的检测头里，分类和回归任务共用了同一组特征通道。这就像让厨师同时炒菜和记账——炒菜时想着账目，记账时惦记火候，两头都干不好。特征冲突，正是密集小目标场景的“隐形杀手”。痛点拆解：共享检测头的“三宗罪”常见错误：以为“共享=高效”很多初学者（包括当年的我）认为，检测头共享特征能减少参数量、加速推理。于是写出类似这样的代码：# 反例：共享检测头的错误示范classSharedDetectionHead