167、YOLOv8改进实战：Focal Loss与Varifocal Loss在密集场景下的分类损失优化

167、YOLOv8改进实战：Focal Loss与Varifocal Loss在密集场景下的分类损失优化

从一次深夜调试说起

上个月接了个智慧零售的项目，摄像头俯拍货架，密密麻麻的SKU堆在一起。YOLOv8默认配置跑下来，mAP看着还行，0.75左右，但一查漏检率，差点没把咖啡喷屏幕上——小瓶装饮料几乎全漏了，大瓶的倒是框得挺准。更诡异的是，模型对“背景”区域的置信度普遍偏高，很多空货架位置硬生生给出0.3以上的分类得分。

这种场景我太熟了。密集目标检测里，正负样本极度不均衡，YOLOv8默认的BCE Loss（Binary Cross Entropy）对简单负样本的惩罚太轻，模型学到的全是“背景为主”的统计规律。当时我第一个反应就是：得换损失函数。

Focal Loss：那个经典的“难例挖掘器”

Focal Loss不是新东西，但每次遇到密集场景我都会先试它。它的核心逻辑就一句话：让模型别在简单样本上浪费太多精力。

YOLOv8的损失计算在ultralytics/utils/loss.py里，默认的BCE Loss长这样：

# 这是YOLOv8默认的分类损失，简单粗暴self.bce