一、本文介绍⭐本文在YOLO26模型将SDLoss替换YOLO26原有的边界框回归损失，可根据真实目标尺寸动态调整尺度重合误差与中心位置误差的权重：对像素占比很小的目标，降低易受单像素偏移和标注模糊影响的重合度损失，增强相对稳定的中心定位监督；随着目标增大，再逐步恢复对框尺度、形状与重合质量的关注，从而缓解小目标回归损失剧烈波动和不同尺度目标采用固定优化策略的问题。其优势在于能够提高弱小目标、远距离目标及尺度变化场景下的训练稳定性、召回率和定位精度，减少标签误差引起的误检与漏检，并且仅在训练阶段调整损失权重，不增加YOLO26推理阶段的参数量和计算开销，具有结构简单、易于替换和部署友好等特点；不过动态范围参数应根据数据集的目标尺度分布进行消融选择。YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。本文目录一、本文介绍二、SDLoss尺度动态损失函数介绍2.1，SDLoss尺度动态损失函数的结构图2.2，SDLoss尺度动态损失函数的核心思想2.3，SDLoss尺度动态损失函数的作用2.4，SDLoss尺度动态损失函数的原理2.5适用任务领域三、完整实现代码四、手把手添加步骤4.1 修改一4.2修改二4.3修改三五、成功运行结果演示二、SDLoss尺度动态损失函数介绍摘要：近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越性能。然而，这些方法通常采用标准卷积操作，却忽略了红外小目标像素分布的空间特性。因此，我们提出了一种新型的“风车形卷积”（PConv），用以替代主干网络下层中的标准卷积操作。PConv能更好地适应细小目标的像素高斯空间分布，增强特征提取能力，显著扩大感受野，并且仅需增加极少量的参数量。此外，尽管近期的损失函数结合了尺度和位置损失，但它们未能充分考虑这些损失函数在不同目标尺寸下的敏感度差异，从而限制了对细小目标的检测性能。为解决这一问题，我们提出了基于尺度的动态损失函数（SD Lo
一、本文介绍⭐本文在YOLO26模型将SDLoss替换YOLO26原有的边界框回归损失，可根据真实目标尺寸动态调整尺度重合误差与中心位置误差的权重：对像素占比很小的目标，降低易受单像素偏移和标注模糊影响的重合度损失，增强相对稳定的中心定位监督；随着目标增大，再逐步恢复对框尺度、形状与重合质量的关注，从而缓解小目标回归损失剧烈波动和不同尺度目标采用固定优化策略的问题。其优势在于能够提高弱小目标、远距离目标及尺度变化场景下的训练稳定性、召回率和定位精度，减少标签误差引起的误检与漏检，并且仅在训练阶段调整损失权重，不增加YOLO26推理阶段的参数量和计算开销，具有结构简单、易于替换和部署友好等特点；不过动态范围参数应根据数据集的目标尺度分布进行消融选择。YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。本文目录一、本文介绍二、SDLoss尺度动态损失函数介绍2.1，SDLoss尺度动态损失函数的结构图2.2，SDLoss尺度动态损失函数的核心思想2.3，SDLoss尺度动态损失函数的作用2.4，SDLoss尺度动态损失函数的原理2.5适用任务领域三、完整实现代码四、手把手添加步骤4.1 修改一4.2修改二4.3修改三五、成功运行结果演示二、SDLoss尺度动态损失函数介绍摘要：近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越性能。然而，这些方法通常采用标准卷积操作，却忽略了红外小目标像素分布的空间特性。因此，我们提出了一种新型的“风车形卷积”（PConv），用以替代主干网络下层中的标准卷积操作。PConv能更好地适应细小目标的像素高斯空间分布，增强特征提取能力，显著扩大感受野，并且仅需增加极少量的参数量。此外，尽管近期的损失函数结合了尺度和位置损失，但它们未能充分考虑这些损失函数在不同目标尺寸下的敏感度差异，从而限制了对细小目标的检测性能。为解决这一问题，我们提出了基于尺度的动态损失函数（SD Lo
)
