070、YOLOv11改进-动态标签分配策略即插即用改进涨点方案昨天调了一整晚的YOLOv11，发现一个老问题又冒出来了——小目标漏检。训练日志里loss降得挺漂亮，mAP看着也还行，但一上实际场景，那些小尺寸的、遮挡严重的物体就是死活检测不到。我盯着验证集上的漏检样本看了半天，突然意识到问题可能出在标签分配上。YOLOv11默认用的是静态分配策略，说白了就是根据anchor和gt的IoU阈值一刀切。这个策略在常规场景下够用，但遇到目标尺度变化大、密集遮挡的场景，分配出来的正样本要么太少导致梯度信号弱，要么分配不合理导致模型学偏。去年我在做交通场景检测时就吃过这个亏，后来换了动态标签分配，mAP直接涨了2.3个点。为什么静态分配不够用先说说YOLOv11默认的标签分配逻辑。它基于anchor和ground truth的IoU，设定一个固定阈值（通常是0.5），高于阈值的算正样本，低于的算负样本。这个做法的问题在于——阈值是死的，但目标是活的。举个例子，一个中等大小的车，IoU可能刚好卡在0.48，按规则就是负样本，但它的特征明明对检测有帮助。反过来，一个背景区域因为偶然和某个anchor的IoU超过0.5，就被强行当成正样本，模型学到的全是噪声。更麻烦的是，不同尺度的目标对IoU的敏感度完全不同。小目标本身像素少，和anchor的IoU天然偏低，用同一个阈值去卡，小目标的正样本数量会远少于大目标。训练出来的检测器自然偏向大目标。动态标签分配的核心思路我这次改的方案参考了OTA（Optimal Transp
070、YOLOv11改进-动态标签分配策略即插即用改进涨点方案昨天调了一整晚的YOLOv11，发现一个老问题又冒出来了——小目标漏检。训练日志里loss降得挺漂亮，mAP看着也还行，但一上实际场景，那些小尺寸的、遮挡严重的物体就是死活检测不到。我盯着验证集上的漏检样本看了半天，突然意识到问题可能出在标签分配上。YOLOv11默认用的是静态分配策略，说白了就是根据anchor和gt的IoU阈值一刀切。这个策略在常规场景下够用，但遇到目标尺度变化大、密集遮挡的场景，分配出来的正样本要么太少导致梯度信号弱，要么分配不合理导致模型学偏。去年我在做交通场景检测时就吃过这个亏，后来换了动态标签分配，mAP直接涨了2.3个点。为什么静态分配不够用先说说YOLOv11默认的标签分配逻辑。它基于anchor和ground truth的IoU，设定一个固定阈值（通常是0.5），高于阈值的算正样本，低于的算负样本。这个做法的问题在于——阈值是死的，但目标是活的。举个例子，一个中等大小的车，IoU可能刚好卡在0.48，按规则就是负样本，但它的特征明明对检测有帮助。反过来，一个背景区域因为偶然和某个anchor的IoU超过0.5，就被强行当成正样本，模型学到的全是噪声。更麻烦的是，不同尺度的目标对IoU的敏感度完全不同。小目标本身像素少，和anchor的IoU天然偏低，用同一个阈值去卡，小目标的正样本数量会远少于大目标。训练出来的检测器自然偏向大目标。动态标签分配的核心思路我这次改的方案参考了OTA（Optimal Transp
