YOLO11涨点优化：损失函数优化 | 引入MPDIoU，利用边界框左上角和右下角距离，彻底解决重叠框匹配失效问题

你是否有过这样的经历：模型训练曲线一路向好，mAP却在某个值附近反复震荡；可视化预测结果一看，两个高度重叠的真值框旁边，模型的预测框却“张冠李戴”——把A框对到了B目标上。这种“重叠框匹配失效”问题，根源往往就藏在损失函数里。

一、问题缘起：为什么“重叠框”成了老大难？

1.1 从一场YOLO训练翻车说起

在过去的几个月中，无论是社区论坛还是开发者交流群，“重叠场景漏检”一直是YOLO系列最常被提及的痛点之一。2025年11月，Scientific Reports发表了一篇利用改进YOLOv11进行建筑裂缝检测的论文，作者明确指出——在检测复杂背景下垂直裂缝、水平裂缝、多层裂缝和复杂裂缝四类目标时，原始YOLOv11模型对细小裂缝的定位精度不足，尤其在裂缝交叉、重叠区域频繁出现漏检和误检。同样，2025年12月，YOLO-MECD柑橘检测算法论文中，作者也指出现有损失函数在多果重叠场景下会导致边界框回归不准确。

这绝不是个例。如果你的任务涉及密集场景检测——高架桥下的车辆、货架上的商品、田间密集生长的农作物——那么你一定被“重叠框匹配失效”折磨过。

1.2 传统IoU损失“心有余而力不足”

要理解问题的本质，我们需要回到损失函数的底层逻辑。

目标检测的损失通常由三部分组成：分类损失、边界框回归损失和DFL损失（Distribution