3. 分类损失：交叉熵与Focal Loss在YOLO中的实战对比

分类损失，说白了就是让模型学会“这东西到底是什么”。在YOLO里，每个预测框都要输出一个类别概率分布，比如是“人”、“车”还是“狗”。选不对损失函数，模型可能连猫和狗都分不清。今天我就带你看看交叉熵和Focal Loss这对冤家，在YOLO里到底该怎么选。

3.1 交叉熵损失：最朴素的分类准则

交叉熵损失（Cross-Entropy Loss）是分类任务的标配。它的公式很简单：

L_CE = - Σ y_i * log(p_i)

其中 y_i 是真实标签（one-hot向量），p_i 是模型预测的概率。说白了，就是让模型对正确类别的预测概率尽量接近1。

在YOLOv3/v5中的实现：

# YOLOv5 分类损失简化版
class CrossEntropyLoss:
    def __call__(self, pred, target):
        # pred: [N, C] 未经过softmax的logits
        # target: [N] 类别索引
        loss = F.cross_entropy(pred, target, reduction='mean')
        return loss

嗯，这里要注意一点。YOLO里的分类损失只对正样本（有目标的网格）计算。负样本不参与分类损失，它们只贡献置信度损失。我刚开始调YOLO时，有次把负样本也加进了分类损失，结果模型疯狂预测“背景”类别，精度直接崩了。

3.2 Focal Loss：专治类别不平衡

Focal Loss是何恺明团队在RetinaNet里提出的。它的核心思想是：让模型更关注难分类的样本，减少易分类样本的权重。公式长这样：

L_FL = - α_t * (1 - p_t)^γ * log(p_t)

相比交叉熵，多了两个参数：

• α（alpha）：类别权重，平衡正负样本比例
• γ（gamma）：聚焦参数，控制难易样本的权重衰减速度

YOLOv5中的Focal Loss实现：

# YOLOv5 Focal Loss 简化版
class FocalLoss:
    def __init__(self, alpha=0.25, gamma=1.5):
        self.alpha = alpha
        self.gamma = gamma
    
    def __call__(self, pred, target):
        ce_loss = F.cross_entropy(pred, target, reduction='none')
        pt = torch.exp(-ce_loss)  # 预测正确的概率
        focal_weight = self.alpha * (1 - pt) ** self.gamma
        loss = focal_weight * ce_loss
        return loss.mean()

3.3 实战对比：什么时候该换？

我在项目中遇到过好几次这样的场景：用交叉熵训练，模型对常见类别（比如“人”）精度很高，但对稀有类别（比如“雨伞”）几乎检测不到。这就是典型的类别不平衡问题。

下面这张表是我自己总结的选型指南：

参数调优建议：

• α（alpha）：一般设为0.25~0.75。正样本少就设大一点，比如0.75
• γ（gamma）：YOLOv5默认是1.5。我试过2.0，对极端不平衡效果更好，但训练会慢一些

3.4 核心逻辑：一张图看懂

下面这张SVG图展示了交叉熵和Focal Loss的核心差异：

3.5 实战案例：从交叉熵切换到Focal Loss

我记得有一次做交通场景检测，数据集里“汽车”有10万张，“救护车”只有200张。用交叉熵训练，救护车的召回率只有12%。

切换步骤：

1. 在YOLOv5的loss.py里找到分类损失部分
2. 把CrossEntropyLoss替换成FocalLoss
3. 先试γ=1.0，α=0.25
4. 观察验证集上稀有类别的召回率
5. 如果召回率提升不明显，γ加到1.5再试

结果对比：

你看，Focal Loss把救护车的召回率从12%拉到了67%，整体mAP也涨了6个点。虽然汽车召回率掉了2%，但这是可以接受的——毕竟我们更关心稀有类别的检测能力。