05 损失函数优化：Focal Loss + CIoU 组合拳，让难样本无处遁形还记得上周三凌晨两点，我在办公室盯着训练曲线发呆的场景吗？那个智慧交通项目，行人检测的漏检率已经降到了4%，但误检率却卡在8%下不来。更糟的是，模型对遮挡严重、光照极暗的“地狱级”样本几乎束手无策——明明肉眼能看见的骑电动车的人，模型就是死活不认。我试过加大数据增强、调整锚框、甚至把backbone换成更大的版本，结果误检率降了1%，推理速度却慢了30%。这不是我要的。直到我把注意力转向损失函数——那个我过去总以为“用默认的就行”的地方。痛点拆解：你的损失函数正在“偷懒”很多人觉得损失函数就是算算预测框和真实框的差距，然后反向传播。但真相是：默认的损失函数对“简单样本”过度关注，导致模型在难样本上“躺平”。我给你看个反例。这是很多YOLOv11新手（包括半年前的我）会写的损失函数配置：# 反例：只用了CIoU，没用Focal LossclassYOLOv11Loss: 【YOLOv11模型改进系列】05 损失函数优化：Focal Loss + CIoU 组合拳，让难样本无处遁形
05 损失函数优化：Focal Loss + CIoU 组合拳，让难样本无处遁形还记得上周三凌晨两点，我在办公室盯着训练曲线发呆的场景吗？那个智慧交通项目，行人检测的漏检率已经降到了4%，但误检率却卡在8%下不来。更糟的是，模型对遮挡严重、光照极暗的“地狱级”样本几乎束手无策——明明肉眼能看见的骑电动车的人，模型就是死活不认。我试过加大数据增强、调整锚框、甚至把backbone换成更大的版本，结果误检率降了1%，推理速度却慢了30%。这不是我要的。直到我把注意力转向损失函数——那个我过去总以为“用默认的就行”的地方。痛点拆解：你的损失函数正在“偷懒”很多人觉得损失函数就是算算预测框和真实框的差距，然后反向传播。但真相是：默认的损失函数对“简单样本”过度关注，导致模型在难样本上“躺平”。我给你看个反例。这是很多YOLOv11新手（包括半年前的我）会写的损失函数配置：# 反例：只用了CIoU，没用Focal LossclassYOLOv11Loss: RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
