一、问题起源：分类得分高，定位一团糟？前段时间在用YOLO11做一个工业缺陷检测项目，训练结束后一看mAP还挺漂亮，但部署到产线上一跑，问题来了——模型输出的分类置信度普遍在0.9以上，可实际检测框的质量却参差不齐：有的框精准贴合目标，有的框歪歪扭扭甚至只框住了半个物体。分类得分与IoU质量之间完全没有相关性。这件事让我深入排查了YOLO11的损失函数设计。YOLO11默认的分类损失采用的是二元交叉熵（BCE Loss），它在训练时只关心“这个格子是不是某类物体”，完全不考虑这个格子的定位质量如何。于是就会出现一种尴尬的情况：某个anchor虽然IoU只有0.5，但因为特征恰好触发了分类器的强响应，分类置信度依然被推到了0.95。根据CSDN技术社区2025年底的一篇损失函数专题文章，YOLO11的分类损失函数可选方案中明确提到了Quality Focal Loss（QFL），描述为“将分类得分与定位质量（如IoU）联合建模，实现分类-定位一致性优化”。这个机制恰恰就是解决上述问题的关键。下面我们就从原理到代码，手把手把QFL接入YOLO11的分类头，真正打通分类与定位之间的信息壁垒。二、理论铺垫：QFL到底是什么？2.1 从Focal Loss到Quality Focal Loss要理解QFL，先得回顾一下Focal Loss。Focal Loss的