YOLOv10优化：损失篇 | 原创自研 | 一种基于小目标改进的多尺度的动态（SD）损失

 💡💡💡改进思路与核心逻辑

小目标检测的核心痛点是：小目标的 IoU 值本身偏低，且原 SDIoU 的惩罚项（距离 / 形状）对小目标过度惩罚，导致小目标的 IoU 得分被进一步压低。因此改进方向为：

1. 增强小目标 IoU 权重：引入尺度因子，让小目标的基础 IoU 在最终得分中占比更高；
2. 优化 beta 计算：原 beta 因小目标面积小趋近于 0，失去调节作用，重新设计 beta 使其对小目标更友好；
3. 动态调整惩罚项：降低小目标的距离惩罚权重，避免过度惩罚小目标的位置偏差。

一种基于尺度的动态（SD）损失来着AAAI 2025论文

💡💡💡将改进后的函数替换 YOLOv10 源码中对应的 IoU 计算函数，在包含大量小目标的数据集（如 COCO 小目标子集、VisDrone）上训练，对比原 SDIoU 的 mAP@0.5 指标，验证小目标检测精度大幅提升。