167、YOLOv8改进实战：Focal Loss与Varifocal Loss在密集场景下的分类损失优化从一次深夜调试说起上个月接了个智慧零售的项目，摄像头俯拍货架，密密麻麻的SKU堆在一起。YOLOv8默认配置跑下来，mAP看着还行，0.75左右，但一查漏检率，差点没把咖啡喷屏幕上——小瓶装饮料几乎全漏了，大瓶的倒是框得挺准。更诡异的是，模型对“背景”区域的置信度普遍偏高，很多空货架位置硬生生给出0.3以上的分类得分。这种场景我太熟了。密集目标检测里，正负样本极度不均衡，YOLOv8默认的BCE Loss（Binary Cross Entropy）对简单负样本的惩罚太轻，模型学到的全是“背景为主”的统计规律。当时我第一个反应就是：得换损失函数。Focal Loss：那个经典的“难例挖掘器”Focal Loss不是新东西，但每次遇到密集场景我都会先试它。它的核心逻辑就一句话：让模型别在简单样本上浪费太多精力。YOLOv8的损失计算在ultralytics/utils/loss.py里，默认的BCE Loss长这样：# 这是YOLOv8默认的分类损失，简单粗暴self.bce
167、YOLOv8改进实战：Focal Loss与Varifocal Loss在密集场景下的分类损失优化从一次深夜调试说起上个月接了个智慧零售的项目，摄像头俯拍货架，密密麻麻的SKU堆在一起。YOLOv8默认配置跑下来，mAP看着还行，0.75左右，但一查漏检率，差点没把咖啡喷屏幕上——小瓶装饮料几乎全漏了，大瓶的倒是框得挺准。更诡异的是，模型对“背景”区域的置信度普遍偏高，很多空货架位置硬生生给出0.3以上的分类得分。这种场景我太熟了。密集目标检测里，正负样本极度不均衡，YOLOv8默认的BCE Loss（Binary Cross Entropy）对简单负样本的惩罚太轻，模型学到的全是“背景为主”的统计规律。当时我第一个反应就是：得换损失函数。Focal Loss：那个经典的“难例挖掘器”Focal Loss不是新东西，但每次遇到密集场景我都会先试它。它的核心逻辑就一句话：让模型别在简单样本上浪费太多精力。YOLOv8的损失计算在ultralytics/utils/loss.py里，默认的BCE Loss长这样：# 这是YOLOv8默认的分类损失，简单粗暴self.bce
)
