143、CIoU 到 EIoU 的替换实验：在不同尺度 YOLOv11（n/s/m/l）上的精度变化

143、CIoU 到 EIoU 的替换实验：在不同尺度 YOLOv11（n/s/m/l）上的精度变化

一、从一次线上事故说起

去年双十一大促前夜，我负责的工业质检模型突然在产线上出现大量漏检——小目标螺丝钉的召回率从0.92暴跌到0.78。排查了三天，最后发现是CIoU损失函数在训练小目标时，宽高比惩罚项把梯度带偏了。当时我盯着TensorBoard里那条诡异的loss曲线，突然意识到：CIoU的v项（宽高比一致性）在小目标上就是个定时炸弹。

那次事故后，我花了两个月时间，在YOLOv11的四个尺度版本（n/s/m/l）上系统对比了CIoU和EIoU的表现。今天这篇笔记，就是那次事故的完整复盘，包含踩坑记录和可复现的代码。

二、CIoU的致命缺陷：小目标上的宽高比陷阱

先看CIoU的公式：

CIoU = IoU - (ρ²(b, bgt) / c²) - αv

其中v = (4/π²) * (arctan(w/h) - arctan(wgt/hgt))²，α是平衡系数。

问题出在v的梯度计算上。当目标很小（比如10x10像素），宽高比稍微偏差一点，v的梯度就会剧烈震荡。更坑的是，α在IoU接近0时会被放大，导致小目标训练初期梯度爆炸。

我做过一个极端测试：在YOLOv11n上训练COCO小目标子集（面积<32²），CIoU的loss在epoch 3-5时出现NaN，换成EIoU后全程稳定。

EIoU的改进很直