168、YOLOv8改进实战：Quality Focal Loss与DFL分布焦点损失的联合训练策略

168、YOLOv8改进实战：Quality Focal Loss与DFL分布焦点损失的联合训练策略写在前面：一个让我熬夜三天的bug去年做自动驾驶行人检测项目，模型在CrowdHuman数据集上mAP卡在53.2%死活上不去。调了学习率、换了backbone、试了各种数据增强，结果发现是损失函数在作祟——默认的CIoU Loss对密集遮挡场景的定位精度不够，而分类分支的BCE Loss又无法区分"质量好"和"质量差"的正样本。那三天我盯着TensorBoard上的loss曲线，发现分类loss和回归loss的梯度尺度完全不匹配，一个在0.01量级，一个在0.5量级，这导致模型训练时分类分支几乎没学到东西。后来翻到Generalized Focal Loss那篇论文，突然意识到YOLOv8的损失函数设计其实有优化空间——分类分支用BCE Loss，回归分支用DFL Loss，两者各自为政，没有形成合力。今天这篇笔记就记录一下我如何把Quality Focal Loss和DFL Distribution Focal Loss整合进YOLOv8，以及踩过的那些坑。损失函数设计的底层逻辑YOLOv8的损失函数由三部分组成：分类损失（BCE Loss）、回归损失（CIoU Loss + DFL Loss）。这里有个隐藏问题——分类分支只负责判断"有没有物体"，不关心这个检测框的质量。一个IoU只有0.3的框和一个IoU达到0.9的框，在分类分支看来都是"正样本"，损失贡献一样大。这导致模型在训练时，对那些