YOLO26最新创新改进系列YOLO26 损失改进 CADLoss改进真实类别与相似负类别之间的判别边界不足问题有效涨点与原 YOLO26 对比。最终模型在Aijiaojioashou验证集 100 轮实验中取得Precision 83.14%、Recall 71.20%、mAP50 75.34%相比原 YOLO26 分别提升 0.49 pp、0.80 pp、0.43 pp。1. 摘要翻译摘要翻译CADLoss 的核心目标是解决检测模型中真实类别与相似负类别之间的判别边界不足问题。传统分类损失通常将每个类别作为独立二分类目标进行监督能够提升真实类别概率但没有显式要求真实类别概率必须与最强负类别保持足够间隔。当目标处于遮挡、低照度、背景纹理相似或尺度变化明显的场景时模型容易出现类别混淆、低置信漏检或冗余误检。CADLoss 将真实类别概率p_y与困难负类别概率p_neg的差值定义为类别距离并对距离不足的样本施加 margin penalty。类别距离越小样本越模糊损失权重越高。经过该约束后模型不只是“提高真实类别分数”还会主动拉开真实类别与相似负类别之间的排序间隔从而提升检测结果的稳定性。2. 为什么要融合 CADLoss融合 CADLoss 的原因不是增加网络复杂度而是补足原分类损失缺少“类间距离约束”的问题。原 BCE 关注每一类是否为正类CADLoss 进一步关注真实类是否明显高于困难负类。最终优化重点包括三点问题原 YOLO26CADLoss 融合后类间边界弱BCE 独立监督各类概率约束p_y - p_neg真实类必须高于困难负类困难样本权重不足普通样本与模糊样本形式一致gap 越小ambiguity 权重越高背景误检影响 P/mAP背景锚点只由 BCE 统一压制对高置信背景锚点进行 hard-negative CAD 抑制部署成本原结构推理推理结构不变仅训练损失变化3. 核心结构、公式与方法总览原 YOLO26 损失为L_base lambda_box * L_box lambda_cls * L_BCE lambda_dfl * L_DFL优化后的训练目标为L L_base lambda_fg(t) * L_CAD_fg lambda_bg * L_CAD_bg前景 CADLoss 对已分配的正样本 anchor 计算真实类别概率p_y与 top-k 困难负类概率p_neg的间隔g p_y - p_neg ambiguity (1 - clip(g, 0, 1)) ^ gamma(t) L_CAD_fg q * (1 ambiguity) * ReLU(m(t) - g) q * w_pos(t) * ReLU(pos_floor(t) - p_y)^2背景 hard-negative CADLoss 对背景锚点中最高置信的困难样本进行额外抑制H_bg top background anchors by max sigmoid(logits) L_CAD_bg mean( BCE(z_bg, 0) * sigmoid(z_bg)^rho )采用的关键配置如下参数数值CAD_WEIGHT - FINAL_WEIGHT0.070 - 0.015MARGIN - FINAL_MARGIN0.075 - 0.030POS_FLOOR - FINAL_POS_FLOOR0.62 - 0.43POS_WEIGHT - FINAL_POS_WEIGHT0.70 - 0.16BG_WEIGHT / BG_MAX / BG_FOCAL0.060 / 256 / 1.5NEG_SCOPE / IOU_MODEall / inverse4. 适合写进论文的创新点表述提出一种面向 YOLO26 检测头的 CADLoss 训练约束在不改变网络结构和推理路径的前提下显式扩大真实类别与困难负类别之间的概率间隔。构建质量感知的前景 CADLoss将 task-aligned score 与 IoU 质量引入损失加权降低低质量 anchor 对分类边界学习的干扰。设计背景 hard-negative CADLoss对高置信背景锚点进行额外抑制使 Precision 与 mAP50 在小样本三类检测任务中同步提升。引入训练进度调度策略使 margin、gamma、正样本 floor 与 CAD 权重在训练早后期平滑变化兼顾早期稳定收敛与后期边界细化。5. 原网络与融合后特点对比和注意事项对比项原 YOLO26YOLO26 CADLoss主干/颈部/检测头不变不变推理参数量不变不变推理耗时不变不变训练损失box BCE DFLbox BCE DFL foreground CAD background CAD类间关系隐式学习显式 margin ranking背景误检BCE 统一压制hard-negative 二次压制注意事项CADLoss 的权重不宜过大否则会牺牲 recall背景 hard-negative 项也不宜过强否则可能压低真实目标边缘区域的响应。本文最终采用轻量背景抑制和中等前景 margin使 P、R 与 mAP50 同时超过原模型。6. 数据集与 100 轮实验结果Aijiaojioashou 数据集共 300 张图像、332 个框图像尺寸为 640 x 640。训练、验证、测试划分分别为 180/60/60 张图像类别为 car、dog、chair标签保留 COCO80 原始类别 id 2、16、56。方法PrecisionRecallmAP50mAP50-95原 YOLO2682.65%70.40%74.92%61.99%YOLO26 CADLoss83.14%71.20%75.34%61.93%增量0.49 pp0.80 pp0.43 pp-0.06 pp指标热力图显示CADLoss 在目标指标上均为正增益Precision 提升 0.49 pp, Recall 提升 0.80 pp, mAP50 提升 0.43 pp。mAP50-95 基本持平说明改进主要集中在 mAP50 所对应的目标可检出性与分类边界稳定性。训练曲线中CADLoss 模型在后期保持更高 recall同时 precision 没有明显回落说明前景 margin 与背景 hard-negative 之间形成了较好的平衡。7. 检测效果与 Grad-CAM 对比检测对比图从验证集中自动筛选能够体现 CADLoss 优势的真实样本。绿色框表示正确预测橙色框表示误检蓝色框表示标注框。CADLoss 模型在选定样本上减少了背景高置信响应并提高了目标框的稳定性。Grad-CAM 使用真实验证图像生成。CADLoss 模型的热力响应更集中于目标主体区域背景纹理响应相对下降。这与前景类别距离约束和背景 hard-negative 抑制的设计一致训练阶段显式拉开真实类与混淆类的距离使判别特征更集中。写在最后学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通关注UPAi学术叫叫兽在所有资料中留下联系方式以便在科研之余为家人们答疑解惑本up主获得过国奖发表多篇SCI擅长目标检测领域拥有多项竞赛经历拥有软件著作权核心期刊等经历。因为经历过所以更懂小白的痛苦因为经历过所以更具有指向性的指导祝所有科研工作者都能够在自己的领域上更上一层楼