160、TAL 中 topk 的消融实验：topk=5/10/13/20 对正负样本分配的精度影响去年年底调一个工业缺陷检测项目，模型在召回率上死活上不去，AP@0.5卡在82.3%不动了。当时我盯着TAL（Task Alignment Learning）的源码看了三天，最后发现是topk参数在作祟——默认的13对于小目标密集场景来说，正样本分配得太激进了。今天就把这个坑的完整实验记录翻出来，顺便把YOLOv11里TAL的topk消融实验做个系统性梳理。问题背景：为什么topk值得单独拿出来做消融TAL的核心逻辑是动态分配正负样本，它不像ATSS那样靠统计距离阈值，也不像SimOTA那样搞全局匹配。TAL用topk选出候选正样本，然后通过alignment metric（分类分数与IOU的加权乘积）来重新排序。这个topk直接决定了每个GT（Ground Truth）能“拉拢”多少个候选框。YOLOv11的默认topk=13，这个值是从YOLOv6继承下来的。但实际场景中，13这个数字并不普适。比如：小目标密集场景（像无人机视角的车辆检测），13个候选框里可能混进去大量背景大目标稀疏场景（比如遥感图像中的机场），13个候选框又可能不够用代码层面的修改：别在loss.py里硬编码YOLOv11的TAL实现藏在ultralytics/utils/loss.py的TaskAlignedAssi
160、TAL 中 topk 的消融实验：topk=5/10/13/20 对正负样本分配的精度影响
160、TAL 中 topk 的消融实验：topk=5/10/13/20 对正负样本分配的精度影响去年年底调一个工业缺陷检测项目，模型在召回率上死活上不去，AP@0.5卡在82.3%不动了。当时我盯着TAL（Task Alignment Learning）的源码看了三天，最后发现是topk参数在作祟——默认的13对于小目标密集场景来说，正样本分配得太激进了。今天就把这个坑的完整实验记录翻出来，顺便把YOLOv11里TAL的topk消融实验做个系统性梳理。问题背景：为什么topk值得单独拿出来做消融TAL的核心逻辑是动态分配正负样本，它不像ATSS那样靠统计距离阈值，也不像SimOTA那样搞全局匹配。TAL用topk选出候选正样本，然后通过alignment metric（分类分数与IOU的加权乘积）来重新排序。这个topk直接决定了每个GT（Ground Truth）能“拉拢”多少个候选框。YOLOv11的默认topk=13，这个值是从YOLOv6继承下来的。但实际场景中，13这个数字并不普适。比如：小目标密集场景（像无人机视角的车辆检测），13个候选框里可能混进去大量背景大目标稀疏场景（比如遥感图像中的机场），13个候选框又可能不够用代码层面的修改：别在loss.py里硬编码YOLOv11的TAL实现藏在ultralytics/utils/loss.py的TaskAlignedAssi
