045、YOLOv11训练正则化——Label Smoothing标签平滑与自适应数据采样策略的即插即用实现

045、YOLOv11训练正则化——Label Smoothing标签平滑与自适应数据采样策略的即插即用实现

从一次令人崩溃的过拟合说起

上个月调一个工业缺陷检测项目，数据集只有两千多张，正负样本比例1:8。YOLOv11跑了一百个epoch，mAP看着还行，一上测试集直接崩了——漏检率飙到40%。打开训练日志一看，loss曲线漂亮得像教科书，但分类置信度全往0.99以上冲，典型的过拟合+过度自信。

这种场景太熟悉了。小数据集、长尾分布、噪声标签，YOLOv11原生的训练策略扛不住。常规思路是加数据增强、调dropout，但有些场景下这些手段要么不够要么过猛。今天聊两个我实际验证过、能直接塞进YOLOv11训练流程的正则化技巧：Label Smoothing和自适应数据采样。

Label Smoothing：别让模型学得太死

YOLOv11默认的分类损失是BCE，目标类别one-hot编码。这意味着模型被逼着把正样本的预测值推到1，负样本推到0。问题在于，真实数据哪有这么干净？标注框边缘的像素算不算目标？遮挡物体算不算？这种"非黑即白"的监督信号，本质上是让模型记住训练集的噪声分布。

Label Smoothing的思路很朴素：把硬标签软化。原本[0,1,0]变成[ε/2, 1-ε, ε/2]，给错误类别留点余地。这个ε通常取0.1，但我在YOLOv11上试过，0.05到0.15之间都有效，具体看数据噪声程度。

实现上别踩这个坑：直接改YOLOv11的损失函数文件。我一开始也这么