企业官网建设流程全解析

DFL 是 YOLOv8 最被低估也最被高估的模块。说它被低估，是因为大多数人只把它当作一个“可开关的 loss 参数”传进model.train(dfl=...)，从未细看那 16 个 bin 里到底在学什么；说它被高估，是因为 Ultralytics 在 2026 年 1 月发布的 YOLO26 中彻底移除了 DFL，官方文档给出的理由直指部署兼容性与边缘硬件友好性。一个曾经把 AP75 拉升约 1.0 个点的设计，四年后被自己的维护者砍掉——这本身就值得一篇源码级的拆解。

一、为什么边界框回归需要“分布”？

传统目标检测的边界框回归是一个点估计问题：网络直接输出一个标量 (t)，表示锚点到某条边的距离，然后用 L1 或 GIoU 去逼近真值 (t^*)。问题在于，标注本身是有噪声的——同一个目标，不同标注者画的框可能差几个像素，遮挡边界更是模糊。

DFL 的思路来自 Generalized Focal Loss（李翔等，NeurIPS 2020），它把“预测一个距离值”改造成“预测距离落在某个离散区间内的概率分布”，再取期望作为最终回归量。YOLOv8 沿用这一设定：每条边被离散化为reg_max个 bin（默认reg_max=16），网络在每个 bin 上输出 logit，Softmax 归一化后取加权期望。回归从一个无约束的连续值，变成了一个有界、可解释的概率分布估计。</