199、YOLOv8改进实战：Label Smoothing标签平滑与Focal Loss联合训练解决类别不平衡
199、YOLOv8改进实战：Label Smoothing标签平滑与Focal Loss联合训练解决类别不平衡
一个让我熬夜三天的bug
去年做工业质检项目，检测PCB板上的微小焊点缺陷。数据分布惨不忍睹——正常焊点占了95%，虚焊只有3%，连焊2%。跑YOLOv8默认配置，mAP看着还行，0.85左右，但一查虚焊类别的AP，直接掉到0.12。模型学废了，它学会了偷懒：反正大部分都是正常焊点，全预测成正常类，损失函数也拿它没办法。
那段时间我试了各种方法：过采样、欠采样、调整类别权重、甚至手动合成缺陷样本。效果有提升，但虚焊AP始终卡在0.3附近。直到我把Label Smoothing和Focal Loss组合起来用，虚焊AP直接跳到0.67，连焊也到了0.52。今天就把这个组合拳的实战经验拆开揉碎了讲。
Label Smoothing到底在干什么
先说Label Smoothing。很多人以为它只是防止过拟合的小技巧，但在类别不平衡场景下，它的作用远不止于此。
YOLOv8默认的损失计算里，分类分支用的是BCE Loss。假设一个正样本的真实标签是[1,0,0]，模型输出logits经过sigmoid后得到预测概率[0.9,0.05,0.05]。BCE Loss会让模型拼命把正类概率往1推，负类往0推。问题来了——当某个类别样本极少时，模型对这类样本的梯度信号极其微弱，而正常类样本的梯度却异常强大。模型会倾向于把一切模糊样本都判给正常类。
Label