042、YOLOv11损失函数平衡——Focal Loss在正负样本不平衡场景下的调参指南与涨点效果一、一个让我熬夜三天的调试问题去年接了个工业质检项目，检测PCB板上的微小焊点缺陷。训练集里正样本（缺陷）只有800多个，负样本（正常焊点）接近12万。YOLOv11默认配置跑下来，mAP@0.5只有0.23，模型几乎把所有预测框都判定为背景。我盯着终端里那行“All predictions are background”的警告，血压直接拉满。当时第一反应是调anchor、调数据增强，折腾了两天毫无起色。直到翻出Focal Loss的原始论文，才意识到问题核心在于：YOLOv11默认的BCE Loss对正负样本一视同仁，海量简单负样本的梯度淹没了少数正样本的贡献。这个场景下，Focal Loss就是那把钥匙。二、Focal Loss为什么能救场先看公式，别被吓到，核心就两个参数：FL(p_t) = -α_t * (1 - p_t)^γ * log(p_t)对比YOLOv11默认的BCE Loss（其实就是γ=0, α=1的特例），Focal Loss做了两件事：第一刀：砍掉简单样本的权重。γ参数控制这个力度。当γ=2时，一个预测概率0.9的负样本，其损失贡献会被压缩到原来的(1-0.9)^2=0.01倍。那些模型已经“很确定”是背景的负样本，基本不再参与梯度更新。第二