153、QFL 质量焦点损失在 YOLOv11 中的实现：融合分类分数与 IoU 质量评分的统一表示

153、QFL 质量焦点损失在 YOLOv11 中的实现：融合分类分数与 IoU 质量评分的统一表示一、从一次线上事故说起去年双十一大促期间，我们部署在边缘设备上的YOLOv11检测模型突然开始疯狂误报——明明只有一辆车的画面，硬是检出七八个“高置信度”的假阳性框。排查了一整天，最后发现根因是分类分支和回归分支的“各自为政”：分类头输出0.95的置信度，但回归头预测的框和真实目标只有0.3的IoU。这种“高分低质”的预测在NMS阶段根本不会被抑制，直接导致线上事故。这个问题在目标检测领域其实很常见。传统的交叉熵损失只关心分类是否正确，完全不考虑预测框的质量。YOLOv11虽然引入了Distribution Focal Loss来优化回归分布，但分类和回归仍然是两条平行线。QFL（Quality Focal Loss）正是为了解决这个痛点而生的——它把IoU质量评分直接融入分类目标，让模型学会“我不仅要分类对，还要框得准”。二、QFL的核心思想：把IoU塞进分类标签先看传统分类损失的问题。假设一个anchor和GT的IoU是0.6，分类标签是1（正样本），交叉熵会强迫模型输出接近1的概率。但实际这个框质量一般，模型应该输出0.6才对——这样在NMS时，低质量框的分数自然就低，不会被误保留。QFL的做法很直接：把分类标签从离散的0/1改成连续的IoU值。具体来说，对于正样本，分类目标不再是1，而是该anchor与对应GT的IoU值；对于负样本，目标仍然是0。这样分类分支的输出就变成了“分类正确且框质量好”的联合