---

一、从一次深夜调试说起

上周在产线部署YOLO检测模型，遇到个诡异现象：模型在测试集上mAP挺漂亮，一到产线实时视频流，小目标漏检率直接飙升。查了一整晚，发现产线场景中待检目标（缺陷）只占图像面积的不到5%，而背景和干扰物占了绝大多数。模型在训练时被海量的负样本“带偏”了，这就是典型的类别不平衡问题。

如果你也在训练集里见过那种标注框寥寥无几、背景铺满全图的场景，今天聊的Focal Loss可能就是你的解药。

---

二、类别不平衡：不只是数据多少的问题

类别不平衡在目标检测里是个老难题。传统交叉熵损失对每个样本“一视同仁”，当负样本（背景）数量远多于正样本（目标）时，模型会倾向于把所有样本都预测为负类——因为这样整体损失也能降得很低。

举个例子，假如1000个样本里只有5个正样本，模型就算全部预测为负类，准确率也有99.5%。看起来很美，但我们要的正样本召回率却是0。

YOLO本身用了objectness score和类别预测分离的结构，但默认的二元交叉熵损失依然对不平衡数据敏感。尤其在嵌入式端部署时，为了控制计算量，输入分辨率往往较低，小目标本身像素就少，正负样本比例进一步恶化。

---

三、Focal Loss：让模型“专注”难样本

Focal Loss的提出，最初是为了解决one-stage检测器（如RetinaNet）的正负样本极端不平衡问题。它的核心思想很简单：降低易分类样本的损失权重，让模型更关注难分类的样本。

来看公式：

# 标准交叉熵损失
CE(p, y) = -[y * log(p) + (1-y) * log(1-p)]

# Focal Loss 变体
FL(p, y) = -[α * (1-p)^γ * y * log(p) + (1-α) * p^γ * (1-y) * log(1-p)]

这里有两个关键参数：

• γ（gamma）：调节因子。当样本被正确分类且p很大时，(1-p)^γ会很小，从而降低该样本的损失贡献。γ越大，对易分样本的抑制越强。
• α（alpha）：类别权重。可以给正样本一个更高的权重，缓解数量不平衡。

我一般习惯先设γ=2.0，α=0.25作为起点。这个组合在多数检测任务上都能带来稳定提升。

---

四、在YOLOv11中集成Focal Loss

YOLO的损失通常包含三部分：bbox回归、objectness、分类损失。Focal Loss主要用在objectness和分类损失上。

下面是个简化的实现片段，注意看注释：

class FocalLoss(nn.Module):
    def __init__(self, alpha=0.25, gamma=2.0, reduction='mean'):
        super().__init__()
        self.alpha = alpha
        self.gamma = gamma
        self.reduction = reduction
        
    def forward(self, inputs, targets):
        # 这里踩过坑：inputs需要先过sigmoid，别直接用原始输出
        p = torch.sigmoid(inputs)
        ce_loss = F.binary_cross_entropy_with_logits(inputs, targets, reduction='none')
        
        # 计算p_t，这里区分正负样本的处理
        p_t = p * targets + (1 - p) * (1 - targets)
        
        # focal weight 计算
        alpha_t = self.alpha * targets + (1 - self.alpha) * (1 - targets)
        focal_weight = alpha_t * (1 - p_t) ** self.gamma
        
        loss = focal_weight * ce_loss
        
        # 实测发现，对focal loss取mean比sum稳定，尤其是batch内正样本极少时
        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:
            return loss

在YOLO的head部分替换损失函数时，注意objectness分支和分类分支可以共享同一个Focal Loss实例，但建议对两个分支独立调参。因为objectness的不平衡程度通常比分类更严重。

---

五、训练时的几个坑点

1. 学习率需要微调：Focal Loss改变了损失尺度，尤其是γ较大时，整体损失会变小。建议初始学习率比默认值降低20%-30%，否则前期容易震荡。

2. 正样本定义要一致：YOLO的anchor匹配策略决定了哪些样本是“正”。如果原本的匹配阈值（比如IoU>0.5）太严，正样本数会更少，不平衡问题加剧。可以适当放宽到0.4-0.5之间，但要注意召回率和精度的trade-off。

3. 验证指标别只看mAP：加上每个类别的AP，特别是小样本类别。有时候整体mAP没变，但少数类的检测率提升了，这对实际项目可能就是关键突破。

4. γ别盲目调大：有些文章推荐γ=5.0，我在嵌入式场景实测发现，γ>3.0后训练变得极不稳定，建议从2.0开始，每次增加0.5慢慢试。

---

六、与其他策略的结合

Focal Loss不是银弹，通常需要配合其他手段：

• 数据层面：适度过采样正样本图像，或者用copy-paste数据增强（把目标随机粘贴到背景中）。
• 架构层面：YOLOv11的neck部分可以加入SPPF或注意力模块，增强小目标特征。
• 损失层面：Focal Loss可以和DIoU损失组合，一个解决分类不平衡，一个优化框回归质量。

我在一个缺陷检测项目上的组合是：Focal Loss(γ=2.0, α=0.25) + DIoU Loss + 轻度过采样。最终小目标召回率从63%提升到78%，且没有增加推理时间。

---

七、一些经验性建议

1. 先分析再动手：训练前统计一下你的正负样本比例。如果负样本是正样本的100倍以上，Focal Loss大概率有效；如果比例在10:1以内，可能收益不大，反而增加调参成本。

2. 分阶段训练：先用标准CE损失训几轮，让模型先学到基础特征，再切换到Focal Loss微调。这样比一开始就用FL更稳定。

3. 关注难样本挖掘：Focal Loss本质是“软性”的难样本挖掘。训练中期可以可视化一下哪些样本损失依然很高，这些可能就是你的数据标注盲区或需要特殊增强的案例。

4. 部署时注意：Focal Loss只影响训练过程，不会增加推理计算量。这点在嵌入式部署时是个重要优势——性能提升不拖累速度。

---

八、最后说两句

损失函数改进从来不是换个公式就能一劳永逸的。Focal Loss解决了一部分样本权重问题，但它也引入了新的超参。我的习惯是：每次只改一个变量，做好消融实验记录。

实际项目里，我曾见过团队花两周调Focal Loss参数，最后发现问题的根源其实是标注不一致。所以，当模型表现异常时，先检查数据，再检查损失函数，最后再看架构。这个顺序能帮你省下不少深夜调试的时间。

下次我们聊聊损失函数的另一个方向：基于IoU的回归损失优化。那个在密集物体检测和重叠框处理上，又是另一番故事了。