094、YOLOv11改进-工业质检缺陷分类检测——基于动态标签分配与Shape-IoU的即插即用模块，缺陷分类mAP提升3.8%一、调试现场的真实困境上个月在产线质检项目上栽了个跟头。客户那边送来一批手机中框的缺陷样本，划痕、压伤、脏污三类缺陷，数据量不大，每类也就两千来张。我直接拿YOLOv11s跑了个baseline，mAP@0.5卡在82.3%死活上不去。最头疼的是脏污类——模型总把反光区域误检成脏污，召回率只有61%。翻来覆去调了三天参数，从学习率到anchor size，从数据增强到NMS阈值，能动的都动了，mAP就涨了0.5%。后来盯着loss曲线看，发现分类分支收敛得不错，但回归分支的IoU loss一直在0.12附近震荡。问题出在标签分配上——YOLOv11默认的TaskAlignedAssigner对工业缺陷这种小目标、形状不规则的情况不够友好，正样本分配太死板，导致回归分支学不到精细的形状信息。二、动态标签分配：别让正样本分配成为瓶颈YOLOv11的标签分配策略本质上是静态的——根据预测框和GT的IoU、分类得分加权排序，topK个候选框作为正样本。这在通用场景下够用，但工业缺陷有个特点：缺陷区域形状差异极大，划痕是细长条，压伤是圆形，脏污是不规则块。静态topK分配会让形状匹配度低的缺陷被分配到质量差的预测框，回归分支越学越偏。我改成了动态阈值分配，核心思路是让每个GT自己决定需要多少个正样本，而不是硬性规定topK。具体做法： 094、YOLOv11改进-工业质检缺陷分类检测——基于动态标签分配与Shape-IoU的即插即用模块，缺陷分类mAP提升3.8%
094、YOLOv11改进-工业质检缺陷分类检测——基于动态标签分配与Shape-IoU的即插即用模块，缺陷分类mAP提升3.8%一、调试现场的真实困境上个月在产线质检项目上栽了个跟头。客户那边送来一批手机中框的缺陷样本，划痕、压伤、脏污三类缺陷，数据量不大，每类也就两千来张。我直接拿YOLOv11s跑了个baseline，mAP@0.5卡在82.3%死活上不去。最头疼的是脏污类——模型总把反光区域误检成脏污，召回率只有61%。翻来覆去调了三天参数，从学习率到anchor size，从数据增强到NMS阈值，能动的都动了，mAP就涨了0.5%。后来盯着loss曲线看，发现分类分支收敛得不错，但回归分支的IoU loss一直在0.12附近震荡。问题出在标签分配上——YOLOv11默认的TaskAlignedAssigner对工业缺陷这种小目标、形状不规则的情况不够友好，正样本分配太死板，导致回归分支学不到精细的形状信息。二、动态标签分配：别让正样本分配成为瓶颈YOLOv11的标签分配策略本质上是静态的——根据预测框和GT的IoU、分类得分加权排序，topK个候选框作为正样本。这在通用场景下够用，但工业缺陷有个特点：缺陷区域形状差异极大，划痕是细长条，压伤是圆形，脏污是不规则块。静态topK分配会让形状匹配度低的缺陷被分配到质量差的预测框，回归分支越学越偏。我改成了动态阈值分配，核心思路是让每个GT自己决定需要多少个正样本，而不是硬性规定topK。具体做法：