GFLV2 (Generalized Focal Loss V2)：在回归分支引入分布统计信息，提升定位质量——YOLOv8 改进实战
摘要
目标检测中的定位质量评估一直是研究的重点与难点。传统的边界框回归方法通常仅输出单一的确定性坐标，无法反映预测的不确定性，也难以精准刻画定位质量。Generalized Focal Loss V2（GFLV2）通过引入边界框分布的统计信息，将回归分支的分布特征与定位质量估计深度融合，显著提升了定位精度。本文将从原理出发，详细解析 GFLV2 的核心思想，并手把手教学如何在 YOLOv8 中实现该改进。
一、引言
目标检测作为计算机视觉的核心任务之一，广泛应用于自动驾驶、安防监控、工业质检等领域。YOLO 系列凭借其速度与精度的优异平衡，成为工业界与学术界的热门选择。YOLOv8 作为 Ultralytics 推出的最新版本，在架构上进行了多项优化，但回归分支的设计仍沿用传统的边界框回归范式——直接预测四个坐标值（或中心点加宽高），并通过 IoU 系列损失函数进行监督。
然而，这种方式存在一个根本性问题：回归分支输出的分布信息未被充分利用。传统方法仅使用分布的期望值（即最终的坐标）作为预测结果，而忽略了分布的形状（如方差、偏度等）所蕴含的不确定性信息。这些统计特征恰恰能够反映预测的可靠程度，对于定位质量评估至关重要。
GFLV2 正是针对这一问题提出的创新性工作。它在 GFL（Generalized Focal Loss）的基础上，将回归分支输出的概率分布通过轻量级子网络提取统计特征，并将这些特征与分类分支的质量估计进行融合，从而实现更精准的定位质量感知。实验表明，GFLV2 在 COCO 数据集上取得了显著的精度提升，且几乎不增加推理耗时。
本文将围绕以下内容展开：
GFLV2