Hugging Face Daily Papers 在 2026 年 7 月 31 日收录了 SULAND v2。它关注一个并不热门却高度安全敏感的问题：用 UAV/UGV 搭载的低成本 RGB 成像，辅助识别地表 PFM-1 与 PMA-2 地雷。论文的重点不是提出单一新检测器，而是先修数据，再用统一基准检查不同架构在分布内（IID）和分布外（OOD）条件下是否可靠。
先修正数据，再讨论模型能力
原始 SULAND 是少数公开 RGB 地雷数据集之一，但作者检查后发现了多类问题，包括漏标与误标、边界框定位错误、可见性标准不一致、视觉伪影、跨时间标注不一致，以及 OOD 数据中类别 ID 约定颠倒。
SULAND v2 保留原始图像和数据划分，手工修订标注，以提高目标完整性、定位精度、标签有效性和类别一致性。修订版包含 33,771 张图像与 12,433 个边界框。保留划分很重要，因为它减少了数据切分变化对前后结果比较的干扰，也使性能差异更能反映标注修正本身。
35种配置揭示IID与OOD差距
论文评测了九个检测器家族、共 35 种配置。标注修订后，YOLOv8 在 IID 测试集上的 mAP@50 提升了 14.6 至 19.6 个百分点；修正 OOD 类别 ID 约定后，YOLOv8 的平均 OOD mAP@50 提高约 25 个百分点。这说明数据与评测协议错误足以显著改变模型结论。
在 SULAND v2 上，YOLOv12-Small 取得最高 IID mAP@50，为 0.908；RF-DETR-Large 的 OOD 表现最强，mAP@50 为 0.799，召回率为 0.675。两个场景的领先模型并不相同，不能仅凭 IID 榜首判断部署条件下的跨域能力。
我的判断
这项工作的主要价值不是刷新单一分数，而是证明安全敏感视觉任务中，标注缺陷和类别约定错误可能比模型架构差异更先决定评测结果。SULAND v2 因而更适合作为 RGB 地表地雷检测的架构比较与 OOD 研究起点。
边界也很明确：数据只覆盖给定的 RGB 场景与 PFM-1、PMA-2 类别，现有结果不能直接外推到埋藏地雷、其他传感器或更多部署环境。摘要也未提供更细的场景分层误差与安全风险分析，因此高 mAP 仍不应被等同于可直接投入实际排雷流程。