140、YOLOv8改进实战：Label Smoothing标签平滑在分类分支中的实现与过拟合抑制
140、YOLOv8改进实战：Label Smoothing标签平滑在分类分支中的实现与过拟合抑制
上个月调一个细粒度分类检测项目，模型在训练集上分类准确率冲到98%，验证集死活卡在82%不动。看loss曲线，分类分支的loss降得飞快，但val的top-1 accuracy纹丝不动。这种场景太熟悉了——模型对训练样本的类别特征过度自信，把噪声和偶然共现的模式当成了分类依据。当时试了dropout、weight decay、数据增强，效果都不明显。后来在分类分支的loss计算里加了Label Smoothing，验证集直接跳了3.7个点。今天把这个trick的落地细节掰开揉碎讲清楚。
为什么分类分支需要Label Smoothing
YOLOv8的分类分支输出的是每个anchor对应的类别概率分布，训练时用BCE Loss（二值交叉熵）逐类别计算。标准的BCE Loss会让模型朝着预测概率为1（正类）或0（负类）的方向疯狂优化。问题在于，真实标签的one-hot编码隐含了一个假设：类别之间是互斥且绝对确定的。实际数据中，一张模糊的猫图片可能同时有60%像猫、30%像狗、10%像狐狸，但标签硬生生给了猫100%。
这种硬标签训练会导致两个后果：一是模型对logit的数值极度敏感，稍微偏离就产生巨大梯度，训练不稳定；二是模型会把训练集中的噪声模式（比如特定光照、背景）当作类别判据，过拟合就这么来的。Label Smoothing做的事情很简单——把硬标签软化，让正类的目标概率从1降到比如0.9，负类从0升到0.1/(num_classes-1)。模型不再需要输出极端