深入探讨 YOLOv8-OBB 旋转目标检测中的角度回归优化问题，针对边界不连续性与角度周期性模糊等核心困境，详细解析了循环平滑标签（CSL）与密集连续标签（DCL）两种编码方案。文章涵盖数学原理、损失函数设计（Focal-CSL Loss）、模型架构改造及工程落地推理流程，并通过消融实验对比不同方案效果，旨在提升旋转框检测精度与稳定性。
技术栈：Python 3.9+ · PyTorch · YOLOv8 · OC-SORT · OpenCV · NumPy · SciPy
三种方案全面对比图如下所示：
在上一节《加权多任务损失》内容中，我们深入探讨了 加权多任务损失（Weighted Multi-Task Loss） 的核心理念与工程实现。多任务联合训练时，分类损失、回归损失与分割损失在数量级、梯度方向上往往相互冲突，简单地将它们相加会导致模型"偏科"——某务主导梯度更新，其余任务收敛缓慢甚至发散。
我们系统介绍了三类权重平衡策略：
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
随机生成西班牙地址（支持马德里、加泰罗尼亚、安达卢西亚、瓦伦西亚筛选），支持数量快捷选择、显示全部与下载。 在线工具，随机西班牙地址生成器在线工具，online
基于开源反向 Alpha 混合算法去除 Gemini/Nano Banana 图片水印，支持批量处理与下载。 在线工具，Gemini 图片去水印在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
