从一次深夜调试说起上周在部署RT-DETR到边缘设备时遇到个怪现象：模型在COCO上mAP挺漂亮，但实际场景中某些关键目标（比如交通场景里的行人）的召回率总是不稳定。调高阈值漏检，调低阈值误报满天飞。盯着预测框的置信度分布看了半天，发现那些“模棱两可”的预测（0.3-0.7置信度区间）特别多——这让我突然意识到，Focal Loss可能不是最优解。Focal Loss的“历史包袱”Focal Loss当年在RetinaNet里确实是革命性的，它通过降低易分类样本的权重，让模型更关注难例。但它在目标检测里有个隐含假设：分类置信度直接代表定位质量。实际部署时问题就来了：# 典型的Focal Loss实现（回忆一下）deffocal_loss(pred,target,alpha=0.25