YOLO11 改进 | Focaler-IoU 系列 Loss 配置与源码解析一、本文简介二、Focaler-IoU 原理详解2.1 普通 IoU 的样本质量问题2.2 Focaler 区间映射公式2.3 Focaler-IoU 的整体计算流程三、改进思想与创新点3.1 背景与动机3.2 核心创新点1. IoU 质量区间重映射2. 可与多种几何 IoU 组合3. 不改变推理结构3.3 与常见 IoU loss 对比3.4 在 YOLO11 中的适配方式四、完整代码4.1 `ultralytics/utils/loss.py` 中的默认区间参数4.2 `ultralytics/utils/loss.py` 中的配置分支4.3 `ultralytics/utils/metrics.py` 中的 Focaler 区间映射4.4 `ultralytics/utils/metrics.py` 中的几何组合分支五、手把手配置步骤Step 1：确认当前仓库已注册 Focaler-IoU 系列Step 2：选择合适的 Focaler 分支Step 3：检测任务训练示例Step 4：实例分割任务训练示例Step 5：命令行训练示例六、YAML 配置文件6.1 Baseline：默认 CIoU6.2 Focaler-IoU 基础版6.3 Focaler-CIoU 通用版6.4 Focaler-EIoU 尺度增强版6.5 Focaler-SIoU 密集目标版6.6 Focaler-Shape-IoU 形状敏感版七、常见问题7.1 `focaler_iou_lower` 和 `focaler_iou_upper` 是什么？7.2 `focaler_iou` 和 `focaler_ciou` 有什么区别？7.3 Focaler-IoU 会增加参数量或推理耗时吗？7.4 YOLO11-seg 可以使用 Focaler-IoU 吗？7.5 `focaler_shape_iou` 和 `focaler_shapeiou` 有区别吗？八、总结专栏系列：YOLOv11 Loss 改进实战改进点：Focaler-IoU 样本区间聚焦 bbox 回归损失源码入口：ultralytics/utils/loss.py中focaler_*bbox loss 分支适用任务：目标检测、实例分割中的 bbox 回归分支支持配置：focaler_iou、focaler_ciou、focaler_diou、focaler_eiou、focaler_siou、focaler_shape_iou、focaler_shapeiou一、本文简介本文介绍 YOLO11 中已经接入的 Focaler-IoU 系列 bbox 回归损失。Focaler-IoU 属于 2024 年样本区间聚焦 bbox 回归改进思路，核心做法是先把普通 IoU 映射到指定质量区间，再与 CIoU、DIoU、EIoU、SIoU、Shape-IoU 等几何约束组合。当前仓库中，Focaler-IoU 系列通过box_loss配置启用：