YOLO11涨点优化：Loss魔改 | NWD (Normalized Wasserstein Distance) 损失接入，专为Tiny微小目标检测量身定制
写在前面
在目标检测领域，有一类问题让无数算法工程师感到头疼——Tiny微小目标检测。当目标在图像上只占据几个像素、十几个像素时，明明肉眼能看到的东西，YOLO就是检测不出来，漏检率居高不下。很多研究者在自己的数据集上反复调参、换数据增强、改网络结构，效果依然不尽如人意。
这个问题最核心的原因在于：传统IoU损失函数在微小目标场景下几乎是“形同虚设”——预测框和真实框稍有偏差，IoU就会剧烈变化甚至直接归零，导致梯度信号消失，模型无法有效学习。而YOLO11作为Ultralytics在2024年9月YOLO Vision大会上发布的最新力作，虽然在COCO等通用数据集上表现优异，但其原生集成的CIoU损失函数在面对微小目标时，同样存在这一根本性缺陷。
幸好，归一化Wasserstein距离（Normalized Wasserstein Distance, NWD）的出现，正在从根本上改变这一局面。根据阿里云开发者社区2025年2月发布的YOLOv11 NWD改进策略分析，NWD能够从根本上解决IoU在微小目标场景下的梯度消失问题。近半年来，学术界和工业界涌现出大量将NWD与YOLO11结合的成功实践，在不同场景下均取得了显著的精度提升。
本文将全方位解析NWD损失函数的数学原理、代码实现，系统梳理YOLOv11结合NWD的最新研究成果与部署方法，并提供完整的训练、评估与落地实践指南。