YOLOv8 官方损失函数详解（按任务分类）

YOLOv8 官方实现（Ultralytics）针对不同任务（检测、分类、分割、姿态估计）设计了模块化的损失函数组合，核心遵循多组件加权联合优化思路。以下是完整拆解：

一、核心检测任务（Detection）损失函数

[1. Box Loss（边界框回归损失）](#1. Box Loss（边界框回归损失）)

[2. Classification Loss（分类损失）](#2. Classification Loss（分类损失）)

[3. DFL Loss（Distribution Focal Loss，分布焦点损失）](#3. DFL Loss（Distribution Focal Loss，分布焦点损失）)

二、分类任务（Classification）损失函数

三、分割任务（Segmentation）损失函数

[1. 实例分割专用损失](#1. 实例分割专用损失)

[四、姿态估计任务（Pose Estimation）损失函数](#四、姿态估计任务（Pose Estimation）损失函数)

[1. Keypoint Loss（关键点坐标损失）](#1. Keypoint Loss（关键点坐标损失）)

[2. Kobj Loss（关键点存在性损失）](#2. Kobj Loss（关键点存在性损失）)

五、旋转框检测（OBB）任务损失函数

六、损失函数权重默认配置（hyp.yaml）

七、核心特点总结

一、核心检测任务（Detection）损失函数

总损失公式：Total Loss = Box Loss + Classification Loss + DFL Loss（均乘以对应权重系数）

1. Box Loss（边界框回归损失）

核心实现 ：CIoU Loss (Complete IoU Loss)，是 IoU 系列损失的最终优化版
- 同时优化边界框的位置、尺度、长宽比和重叠度，解决传统 IoU 无法区分非重叠框的缺陷
- 公式：，其中为权衡系数，衡量长宽比一致性
权重设置 ：默认 hyp.box = 5.0（可在配置文件调整）
优点：收敛速度快，定位精度高，对边界框形状变化敏感
缺点：计算量略大于基础 IoU，极端长宽比时可能不稳定

2. Classification Loss（分类损失）

核心实现 ：BCEWithLogitsLoss（带 Sigmoid 的二元交叉熵），配合动态标签分配策略
- 支持多标签分类，输出各类别独立概率，而非 Softmax 归一化的互斥概率
- 可选启用Varifocal Loss (VFL)（代码中注释部分），解决类别极度不平衡问题
权重设置 ：默认 hyp.cls = 1.0
优点：梯度稳定，适合反向传播，对类别不平衡有一定鲁棒性
缺点：极端正负样本比例下仍可能偏向多数类

3. DFL Loss（Distribution Focal Loss，分布焦点损失）

核心实现 ：预测边界框坐标的离散概率分布而非直接回归坐标值
- 将坐标预测转化为对预设 bin 的概率分布，通过 softmax 获得连续坐标，减少量化误差
- 公式：，其中为目标分布，为预测分布
权重设置 ：默认 hyp.dfl = 1.5（高分辨率图像可降至 1.0）
优点：提升小目标定位精度，梯度更稳定，缓解边界框预测的模糊性
缺点：增加计算量，需调参 reg_max（默认 16，bin 数量）

二、分类任务（Classification）损失函数

核心实现 ：CrossEntropyLoss（交叉熵损失） + Label Smoothing（标签平滑）
- 标签平滑将硬标签（如 $1,0,0$ ）改为软标签（如 $0.9,0.05,0.05$ ），抑制模型过自信
- 代码路径：ultralytics/models/yolo/classify/train.py
优点：多分类标准配置，泛化能力强，防止过拟合
缺点：平滑系数过大会导致欠拟合，需手动调整

三、分割任务（Segmentation）损失函数

总损失公式：Total Loss = Box Loss + Segmentation Loss + Classification Loss + DFL Loss

1. 实例分割专用损失

核心实现 ：BCEWithLogitsLoss + 掩码裁剪（Crop Mask），针对原型掩码（Proto Mask）设计
- 计算预测掩码与真实掩码的二元交叉熵，仅在边界框内计算损失，减少背景干扰
- 公式：
权重设置 ：默认 hyp.box = 5.0（分割部分复用 box 权重）
可选扩展 ：可与 Dice Loss 联合使用，提升小目标和医学图像分割效果

四、姿态估计任务（Pose Estimation）损失函数

总损失公式：Total Loss = Box Loss + Keypoint Loss + Kobj Loss + Classification Loss + DFL Loss

1. Keypoint Loss（关键点坐标损失）

核心实现 ：OKS Loss（Object Keypoint Similarity Loss），基于 COCO 关键点评估标准设计
- 对不同关键点使用自适应权重 （通过 sigmas 参数），如面部关键点权重高于肢体关键点
- 公式：，其中为预测与真实关键点距离，为目标尺度，为关键点标准差
权重设置 ：默认 hyp.pose = 12.0

2. Kobj Loss（关键点存在性损失）

核心实现 ：BCEWithLogitsLoss，用于预测关键点是否可见 / 存在
权重设置 ：默认 hyp.kobj = 1.0

五、旋转框检测（OBB）任务损失函数

复用检测任务的 CIoU Loss + DFL Loss + BCE 分类损失，新增角度预测分支
角度回归采用平滑 L1 损失，确保角度预测的连续性和稳定性

六、损失函数权重默认配置（hyp.yaml）

|---------------------|----------|------|--------------------|
| 损失类型 | 权重参数 | 默认值 | 调整建议 |
| Box Loss | hyp.box | 5.0 | 小目标检测可提高至 6.0-8.0 |
| Classification Loss | hyp.cls | 1.0 | 类别不平衡时可提高至 1.5-2.0 |
| DFL Loss | hyp.dfl | 1.5 | 高分辨率图像可降至 1.0 |
| Segmentation Loss | hyp.box | 5.0 | 与 Box Loss 共享权重 |
| Keypoint Loss | hyp.pose | 12.0 | 关键点密集时可提高至 15.0 |
| Kobj Loss | hyp.kobj | 1.0 | 关键点遮挡严重时可提高至 2.0 |

七、核心特点总结

模块化设计：不同任务复用基础损失组件，仅新增专用分支（如分割掩码损失、姿态关键点损失）
动态标签分配：所有损失计算前均通过 Task-Aligned Assigner 分配正负样本，提升训练效率
边界框优化：CIoU + DFL 组合是 YOLOv8 定位精度提升的核心，尤其适合小目标和复杂场景
灵活配置：支持通过配置文件调整损失权重和启用高级损失（如 VFL），适配不同数据集特性