155、DFL 分布焦点损失源码拆解：从 delta 分布到 16 个离散概率值的完整推导

155、DFL 分布焦点损失源码拆解：从 delta 分布到 16 个离散概率值的完整推导

一个让我熬夜到凌晨三点的bug

去年秋天，我在调YOLOv8的边界框回归时遇到一个诡异现象：训练loss降得挺漂亮，但mAP死活上不去，尤其是小目标，几乎全挂。我盯着tensorboard看了两个小时，发现分类分支和回归分支的loss比例完全失衡——回归loss小得离谱，但分类loss正常。直觉告诉我，问题出在DFL（Distribution Focal Loss）的实现上。

翻开源码，我盯着那几行看似简单的DFL计算，突然意识到一个关键问题：我们一直在用softmax对离散概率做归一化，但边界框的真实分布是连续的delta分布，这两者之间的桥梁到底是什么？这个问题不搞清楚，你改再多的网络结构都是白搭。

DFL到底在干什么

先别急着看代码，我们捋一下DFL的设计动机。传统目标检测把边界框回归当成一个回归问题，直接预测四个偏移量。但YOLOv8/v10/v11系列改用离散分布来表示边界框位置——把一条边可能的偏移范围（比如0到15像素）离散化成16个bin，每个bin对应一个概率值。

这里有个坑：很多人以为这16个概率值就是最终预测，其实不是。DFL的核心是期望值计算——用这16个概率作为权重，对bin的中心位置做加权平均，得到最终的连续偏移量。

举个例子：假设第i个bin的中心位置是reg_max - 0