YOLO11涨点优化：损失函数优化 | 引入EIoU与Focal Loss结合，同时解决包围框宽高比例与正负样本不平衡问题

一、引言

YOLO11作为Ultralytics家族的最新力作，自2024年9月正式发布以来，凭借C3k2骨干模块、改进的解耦检测头和混合任务分配策略等创新设计，在计算机视觉社区持续引发广泛关注。根据Ultralytics官方文档显示，YOLO11在精度和效率两个维度已全面超越前代YOLOv8，尤其在边界框回归和分类性能上取得了显著进展。2026年3月，MLCommons在MLPerf Inference v6.0基准测试中正式将YOLO11纳入Edge Suite，取代RetinaNet成为边缘端目标检测的工业基准模型。这一里程碑事件标志着YOLO11已被全球产业界认可为生产级标准模型，也意味着对其性能的每一分改进都将直接影响工业落地效果。

然而，经过社区实践的不断检验，YOLO11默认的损失函数设计仍暴露出若干值得深挖的优化空间。默认使用的Complete IoU（CIoU）边界框回归损失虽然兼顾了重叠面积、中心点距离和长宽比三项几何约束，但其长宽比惩罚项在处理差异较大的目标时优化方向不够稳定，同时正负样本不平衡问题使得大量易分类的简单样本主导了训练过程中的梯度更新，而真正需要关注的困难样本却得不到充分学习。

针对上述痛点，本文提出一种EIoU与Focal Loss的联合优化方案，通过EIoU显式拆分宽高惩罚项来改善边界框回归精度，借助Focal Loss动态调整正负样本权重以解决样本不平衡问题，并在YOLO11框架内完成端到端的损失函数重构。本文将从业界最新实践出发，结合近期高质量论文和官方发布，系统阐述该方案的设计原理、工程实现