154、VFL 不对称焦点损失的 YOLOv11 代码：对正负样本采用不同降权策略的 IoU-Aware 设计从一次诡异的mAP抖动说起去年年底帮一个自动驾驶项目调YOLOv11的检测头，客户反馈说夜间场景下小目标召回率突然掉了8个点。我翻了两天日志，发现罪魁祸首是正负样本的loss权重分配——YOLOv11默认的BCE Loss对正负样本一视同仁，但夜间图像里负样本（背景）的梯度噪声被放大了，导致正样本的IoU预测分支被带偏。当时我就在想：能不能让Loss自己学会“看人下菜碟”？正样本和负样本用不同的降权策略，同时把IoU预测的置信度也揉进去。这就是VFL（Varifocal Loss）不对称焦点损失的设计初衷。它不是简单的Focal Loss变体，而是专门针对YOLO系列中正负样本极度不平衡（1:1000+）的场景，让正样本的梯度主导训练，负样本只负责“纠正边界”。下面直接上代码，我会把踩过的坑都标出来。核心思想：正负样本的“双标”降权VFL的核心公式长这样：VFL(p, q) = -q * (q * log(p) + (1 - q) * log(1 - p)) # 正样本 -alpha * p^gamma * log(1 - p) # 负样本注意这里的q是目标IoU值（0~1），不是二分类标签。正样本的权重由q动态调节：当q接近1（完美框）时，loss主要惩罚分类错误；当q接近0（烂框）时，loss更关
