规模受限小目标检测中效率分析：是否总是更大才更好？

规模定律假设更大的模型在更多数据上训练能持续地优于较小的模型——这一假设驱动了计算机视觉中的模型选择，但在资源受限的地球观测领域尚未得到检验。我们对模型规模、数据集规模和输入分辨率三个尺度进行系统性效率分析，基于马达代尔的屋顶太阳能光伏检测任务。针对模型效率 (mAP$_{50}$ 相对于模型大小的比值) 进行优化，我们发现一致的效率反转现象：YOLO11N 既实现了最高的效率 (相较于 YOLO11X 提升 $24\times$)，也取得了最高的绝对 mAP$_{50}$ (0.617)。分辨率是主导的资源分配杠杆 ($+120\%$ 效率提升)，而额外数据在低分辨率下几乎不产生效益。这些发现对部署目标而言是稳健的：小型高分辨率配置在所有 44 种设置下在准确性-吞吐量空间中均为帕累托优势，无需权衡。在数据稀缺的地球观测场景中，更大并非仅仅是不必要的：它甚至可能更差。