改进YOLOv10：基于动态正负样本均衡策略解决类别不平衡问题
目录
前言
一、为什么YOLOv10也会被样本不平衡困扰？
二、动态正负样本均衡策略的核心思想
三、代码实现（完整可复现）
3.1 动态阈值分配器
3.2 动态损失加权模块
3.3 伪标签生成与修正模块
3.4 整合到YOLOv10训练流程
前言
大家好，最近在做一个工业缺陷检测的项目，遇到了一个很头疼的问题——样本不平衡。我们的数据集里，正常样本占了85%，剩下的15%分散在6种缺陷类别中，最少的划痕类只占不到1%。直接用YOLOv10训练，模型直接“摆烂”，绝大多数缺陷都检测不到，mAP只有0.32。
试过过采样、欠采样、Focal Loss、GHM Loss，效果都不太理想。过采样导致严重的过拟合，Focal Loss在极度不平衡下两个超参数调得我怀疑人生。后来翻到一篇关于动态标签分配的论文，受到启发，自己设计了一套动态正负样本均衡策略，在YOLOv10上实现后，mAP从0.32直接涨到0.71，效果非常显著。
今天就把这个方案完整分享出来，代码可以直接复用，数据集也会推荐几个适合用来验证不平衡问题的公开数据集。