031、DFL 回归损失详解：把边框回归从狄拉克变成分布从一次诡异的mAP抖动说起去年调一个YOLOv8的检测模型，训练到第80个epoch，mAP突然从0.72掉到0.68，然后又慢慢爬回去。我盯着曲线看了半天，以为是学习率策略的问题，调了cosine annealing、调了warmup，折腾两天没解决。后来翻到一篇知乎文章提到DFL（Distribution Focal Loss）的梯度特性，才意识到问题出在回归分支的损失函数上。当时用的还是最原始的IoU Loss + L1 Loss组合，边界框回归本质上是在拟合一个狄拉克函数——模型认为每个框的坐标就是一个确定值。但真实场景中，边界框的模糊性（遮挡、截断、标注误差）远比我们想象的大。DFL的核心思想很简单：别让模型死磕那个“精确”的坐标值，而是去学习一个分布。狄拉克函数为什么不适合目标检测先看传统做法。假设我们要预测边界框的左边距（l），模型输出一个标量值，损失函数用Smooth L1或者IoU系列。这相当于在假设：真实框的左边距就是一个确定的数，模型的任务就是无限逼近这个数。但实际标注中，一个目标的边界可能因为遮挡而模糊，或者标注员本身就有几个像素的偏差。更关键的是，在特征图上下采样后，每个网格的感受野覆盖的区域本身就存在空间歧义性。让模型去拟合一个“精确”值，本质上是在强迫它忽略这种不确定性。我见过一个极端案例：在COCO数据集上，某个被遮挡的自行车，标注框的左边距是100.5像素。模型训练时反复在这个值附近
031、DFL 回归损失详解：把边框回归从狄拉克变成分布
031、DFL 回归损失详解：把边框回归从狄拉克变成分布从一次诡异的mAP抖动说起去年调一个YOLOv8的检测模型，训练到第80个epoch，mAP突然从0.72掉到0.68，然后又慢慢爬回去。我盯着曲线看了半天，以为是学习率策略的问题，调了cosine annealing、调了warmup，折腾两天没解决。后来翻到一篇知乎文章提到DFL（Distribution Focal Loss）的梯度特性，才意识到问题出在回归分支的损失函数上。当时用的还是最原始的IoU Loss + L1 Loss组合，边界框回归本质上是在拟合一个狄拉克函数——模型认为每个框的坐标就是一个确定值。但真实场景中，边界框的模糊性（遮挡、截断、标注误差）远比我们想象的大。DFL的核心思想很简单：别让模型死磕那个“精确”的坐标值，而是去学习一个分布。狄拉克函数为什么不适合目标检测先看传统做法。假设我们要预测边界框的左边距（l），模型输出一个标量值，损失函数用Smooth L1或者IoU系列。这相当于在假设：真实框的左边距就是一个确定的数，模型的任务就是无限逼近这个数。但实际标注中，一个目标的边界可能因为遮挡而模糊，或者标注员本身就有几个像素的偏差。更关键的是，在特征图上下采样后，每个网格的感受野覆盖的区域本身就存在空间歧义性。让模型去拟合一个“精确”值，本质上是在强迫它忽略这种不确定性。我见过一个极端案例：在COCO数据集上，某个被遮挡的自行车，标注框的左边距是100.5像素。模型训练时反复在这个值附近
