YOLO 系列：YOLOv11 损失函数改进：将 CIoU 替换为 Wise-IoU v3，提升小目标回归精度

CIoU 在小目标上“水土不服”，你中招了吗？做目标检测的朋友都知道，小目标的边界框回归是整个检测任务中最难啃的骨头。YOLOv11 在 COCO 上大目标检测 AP 能达到 60% 以上，但小目标 AP 往往只有 30% 出头——这个差距不是模型结构的问题，而是损失函数的设计缺陷。YOLOv11 默认采用CIoU（Complete IoU）损失函数。CIoU 在 DIoU 的基础上增加了长宽比惩罚项，理论上能同时优化重叠面积、中心点距离和长宽比三个维度。但实测中发现，CIoU 在低质量样本上会过度惩罚，导致模型对这些样本“用力过猛”，反而损害了整体定位性能。这个问题的本质在于：CIoU 假设所有训练样本都是高质量的，专注于增强边界框回归损失的拟合能力。然而在实际数据集中，尤其是小目标密集场景，低质量样本（遮挡、模糊、截断）比比皆是。在低质量样本上盲目增强边界框回归，只会让模型学到错误模式。针对这一问题，本文将在 YOLOv11 中引入Wise-IoU v3（WIoU v3）损失函数。WIoU v3 通过动态非单调聚焦机制，根据锚框的异常值程度来分配梯度增益——低质量样本获得更小的梯度，高质量样本获得适中的梯度，而普通质量样本才是优化的重点。一句话概括：让模型学会“放过”那些本身就难回归的样本，把注意力集中在“跳一跳够得着”的样本上。全文附完整代码