一、本文介绍⭐本文在YOLO26模型将GCD Loss引入YOLO26的边界框回归与样本分配过程，可把预测框和真实框表示为高斯分布，并联合衡量中心位置、宽度和高度差异，使框的位置与尺度协同优化，缓解传统交并比对微小目标像素偏移过于敏感、低重叠时监督不足，以及Wasserstein距离中心与尺寸相对独立优化的问题；该损失能够根据目标自身尺度动态调节梯度，对短边较小和像素占比较低的目标提供更强定位监督，从而提升航拍、遥感、无人机及密集场景中微小目标的正样本匹配质量、召回率和边界框定位精度，同时兼顾常规尺度目标。YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。本文目录一、本文介绍二、GCD Loss高斯组合距离损失函数介绍2.1，GCD Loss损失函数的核心思想2.2，GCD Loss损失函数的作用2.3，GCD Loss损失函数的原理2.4 适用任务领域三、完整实现代码四、手把手添加步骤4.1 修改一4.2修改二