YOLOv8训练中的类别不平衡处理：Focal Loss与数据重采样的实战对比

前言：当你的模型“偏科”了

在计算机视觉落地实践中，有一个让无数工程师深夜崩溃的问题——类别不平衡。

你精心标注了上万张图片，投入了昂贵的GPU算力，满怀期待地等待训练完成。结果一看评估报告：多数类mAP高达0.95，而 minority 类的召回率不到0.2。模型在报告里“看起来很能打”，但上线后对关键目标的检测几乎等于盲猜。

这不是个别现象。根据Ultralytics官方社区2026年1月的一则讨论，有开发者训练YOLOv8m时遇到“tank类38,165个实例、truck类仅6,802个实例”的极端不平衡。社区专家BurhanQ的回复一针见血：“在大多数情况下，你根本不需要修改模型本身。 多数问题出在标注质量、数据集划分或训练超参上，模型或损失函数的改动反而是最后才应该考虑的选项。”

但这个“最后选项”，恰恰是本文要深度拆解的核心。

2026年以来，YOLOv8生态在类别不平衡处理方面发生了显著变化。Ultralytics v8.4.0于2026年1月发布，彻底移除了Distribution Focal Loss（DFL），以最大化与低功耗硬件的兼容性。这一架构层面的重大调整，直接影响了YOLOv8损失函数的设计哲学。与此同时，2026年6月发布的v8.4.60版本正式支持ONNX INT8导出，为边缘端部署提供了新的工具链。更值得关注的是，同月发布的更新中，检测训练的分类损失已支持直接应用计算出的类别权重（class weights）