YOLOv8 旋转框角度回归优化：CSL 与 DCL 编码实战

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：

上期回顾

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：

1. 静态手动权重：依靠先验经验为各损失项分配固定系数，实现简单但泛化性差；
2. 不确定性加权（Uncertainty Weighting / Homoscedastic Uncertainty）：由 Kendall et al. 提出，将每个任务的权重建模为可学习的噪声参数 σ i \sigma_i