YOLO11实战优化：长尾分布解决 | 引入Seesaw Loss配合YOLO11分类头，完美应对类别极其不平衡的现实业务场景

一、问题缘起：当YOLO11遇上现实世界的长尾分布

1.1 一个真实的痛点场景

假设你正在为某安防企业开发一套工业场景下的缺陷检测系统。数据集包含98类不同的产品缺陷，但其中有12类占据了训练样本的87%——焊接气泡、划痕、氧化斑点这些高频缺陷每类都有数万个标注框；而“隐裂”“微孔”等30多类缺陷加起来不足200个样本。训练完毕后，YOLO11在验证集上的mAP@0.5达到了0.78，看起来一切正常。但上线后发现：尾部类别几乎完全检测不到——模型对它们输出的置信度普遍低于0.1，而头部类别的假阳性却大量出现。

这不是模型问题，也不是数据清洗不彻底。这是长尾分布——绝大多数现实业务场景都绕不开的结构性难题。

1.2 长尾分布的本质：正负样本梯度的跷跷板失衡

在类均衡的学术基准数据集（如COCO）上，每类样本数量大致相当，训练时分类器对各类别的正负样本梯度比例接近1：1，分类边界能够被公平地学习。但在长尾分布场景下，情况完全不同。

根据MMDet团队在Seesaw Loss论文中的分析，以LVIS v1.0数据集为例，头部类别获得的正负样本累计梯度比例接近1.0，而越是稀有的尾部类别，其获得的正负样本梯度比例就越小——有时甚至低至0.05以下。这意味着：来自头部类别的样本在训练过程中会对尾部类别施加过量的负样本梯度，淹没了来自尾部类别自身的正样本梯度，导致分类器倾向于给予尾部类别极低的响应，以降低训练loss。

论文作