一、从产线误检说起上周产线反馈了个诡异问题：我们的YOLOv5模型在检测电子元件时，电阻电容的检出率接近99%，但某款特殊芯片的漏检率高达40%。查了训练数据才发现，数据集中电阻样本8万张，那个特殊芯片只有800张——典型的类别不平衡。损失函数在优化时被主流类别“绑架”了，模型干脆对少数类“视而不见”。这种问题在工业场景太常见了：缺陷样本远少于正常样本、新品类数据不足、长尾分布……今天我们就聊聊实战中处理类别不平衡的几种核心手段，重点讲Focal Loss和在线难例挖掘（OHEM）怎么用、怎么调、怎么避坑。二、Focal Loss：不只是加个权重那么简单Focal Loss的原始论文讲得很清楚，但直接照搬公式大概率会翻车。先看它的核心代码实现（PyTorch版）：classFocalLoss(nn.Module):def
077.类别不平衡问题：Focal Loss、在线难例挖掘等实战踩坑笔记
发布时间：2026/5/22 3:46:55
一、从产线误检说起上周产线反馈了个诡异问题：我们的YOLOv5模型在检测电子元件时，电阻电容的检出率接近99%，但某款特殊芯片的漏检率高达40%。查了训练数据才发现，数据集中电阻样本8万张，那个特殊芯片只有800张——典型的类别不平衡。损失函数在优化时被主流类别“绑架”了，模型干脆对少数类“视而不见”。这种问题在工业场景太常见了：缺陷样本远少于正常样本、新品类数据不足、长尾分布……今天我们就聊聊实战中处理类别不平衡的几种核心手段，重点讲Focal Loss和在线难例挖掘（OHEM）怎么用、怎么调、怎么避坑。二、Focal Loss：不只是加个权重那么简单Focal Loss的原始论文讲得很清楚，但直接照搬公式大概率会翻车。先看它的核心代码实现（PyTorch版）：classFocalLoss(nn.Module):def
