摘要在目标检测任务中，类别不平衡问题普遍存在且严重影响模型性能。本文详细介绍了如何通过标签平滑（Label Smoothing）和焦点损失（Focal Loss）两种技术来优化YOLOv5在处理类别不平衡时的表现。我们将从理论基础出发，深入讲解两种方法的原理，提供完整的代码实现，并通过实际数据集验证改进效果。本文适合有一定深度学习基础的读者，包含详细的代码示例和实验分析。一、引言：类别不平衡问题的挑战1.1 什么是类别不平衡在实际的目标检测场景中，不同类别的样本数量往往存在巨大差异。例如：自动驾驶数据集中，"汽车"和"行人"样本众多，但"交通锥"、"动物"等类别极少医疗图像中，"正常"样本远多于"病变"样本安防监控中，"人"的样本远多于"异常行为"这种不平衡会导致模型偏向于多数类，忽略少数类，从而降低整体检测精度。1.2 YOLOv5原有损失函数的局限性YOLOv5默认使用二元交叉熵损失（BCE Loss）进行分类损失计算：python# 标准的二元交叉熵损失 def standard_bce_loss(pred, target): return -target * torch.log(pred + 1e-8) - (1 - target) * torch.log(1 - pred + 1e-8)BCE Loss存在两个主要问题：对易分样本过度关注/