YOLO11 改进系列 | 引入2023年 WIoU Loss：动态聚焦 bbox 回归，适合样本质量不均衡的目标定位

YOLO11 改进 | WIoU v1/v2/v3 动态聚焦 bbox Loss 配置与源码解析一、本文简介二、WIoU 原理详解2.1 基础 IoU loss2.2 距离注意力项2.3 WIoU v1：原始距离注意力2.4 WIoU v2：单调聚焦2.5 WIoU v3：非单调动态聚焦2.6 整体计算流程三、改进思想与创新点3.1 背景与动机3.2 核心改进点1. 中心距离注意力2. 训练期移动平均质量统计3. 三种可明确配置的版本4. 直接 loss 接入语义3.3 与常见 bbox loss 的对比3.4 在 YOLO11 框架中的适配设计四、完整代码4.1 `ultralytics/utils/loss.py`：版本配置与实例创建4.2 `ultralytics/utils/metrics.py`：WIoU 核心实现4.3 `ultralytics/utils/loss.py`：WIoU 的直接 loss 聚合五、手把手配置步骤Step 1：确认源码已包含 WIoU 实现Step 2：在训练配置中选择版本Step 3：使用 Python API 训练Step 4：建议的对照实验六、YAML 配置文件6.1 WIoU v1：距离注意力基线6.2 WIoU v2：单调聚焦配置6.3 WIoU v3：非单调动态聚焦配置6.4 实例分割与姿态任务配置七、常见问题7.1 为什么 `box_loss: wiou` 或 `box_loss: wiseiou` 会报错？7.2 WIoU 与其他 IoU 分支为什么聚合方式不同？7.3 WIoU v1、v2、v3 应该优先选哪一个？7.4 `iou_mean` 会保存吗？恢复训练会怎样？7.5 WIoU 可以用于检测、分割和姿态吗？7.6 训练出现 NaN 应如何排查？八、总结专栏系列：YOLOv11 Loss 改进实战分类专栏推荐：YOLOv11 改进实战、YOLO Loss 改进、目标检测与实例分割文章标签推荐：YOLO11、目标检测、实例分割、WIoU、Wise-IoU、bbox loss、动态聚焦改进点：WIoU v1 / v2 / v3 动态聚焦 bbox 回归损失源码入口：ultralytics/utils/metrics.py的WiseIouLoss，以及ultralytics/utils/loss.py的BboxLoss适用任务：目标检测、实例分割、姿态任务中的轴对齐 bbox 回归分支支持配置：wiou_v1、wiou_v2、wiou_v3一、本文简介本文介绍 YOLO11 中已经接入的 2023 年 WIoU（Wise-IoU）bbox 回归 Loss。它以 IoU loss 为基础，同时利用预测框与 GT 框中心点之间的距离构造距离注意力；在 v2、v3 中还会依据训练期间的样本定位质量进行聚焦调制。常规 IoU 类回归损失通常对每个正样本使用固