163、SimOTA 的 dynamic k 策略消融：固定 k vs 动态 k vs 基于 IoU 分布的 k 对比

163、SimOTA 的 dynamic k 策略消融：固定 k vs 动态 k vs 基于 IoU 分布的 k 对比

从一次诡异的 mAP 抖动说起

去年年底调一个 YOLOv11 的工业检测项目，SimOTA 的 positive sample 分配一直让我头疼。模型在验证集上 mAP 忽高忽低，同一个 checkpoint 跑两次能差 0.8 个点。排查了数据加载、随机种子、甚至 CUDA 版本，最后发现是 SimOTA 的 k 值在作祟——默认的 dynamic k 策略在某些 batch 里会突然给一个极端值，导致正样本数量剧烈波动。

当时我直接在源码里把 k 写死成 10，mAP 稳定了，但 recall 掉了 2 个点。后来花了三周时间，把 SimOTA 的 k 策略从头到尾撸了一遍，做了三组消融实验。今天把踩过的坑和结论写清楚，代码直接能跑，数据真实可复现。

SimOTA 的 k 到底在干什么

先别急着改代码，理解 SimOTA 的 k 机制比调参重要。SimOTA 的核心是给每个 ground truth 动态分配正样本，k 值决定了每个 gt 最多能匹配多少个 anchor。YOLOv11 的官方实现里，k 是通过 cost 矩阵的 top-k 动态计算的——具体来说，对每个 gt，取所有 anchor 的 cost 值，排序后取前 k 个作为正样本，这个 k 不是固定的，而是根据 cost 的分布自适应调整。

官方 dynamic k 的逻