YOLO11 改进 | 原创 BCG-IoU Loss 的边界相关回归配置与完整接入指南一、本文简介二、BCG 模块原理详解2.1 数据流2.2 边界残差与平移—尺度分解2.3 正定相关二次惩罚三、改进思想与创新点3.1 背景与动机3.2 三个核心设计3.3 与相关回归策略的边界3.4 YOLO11 适配范围四、完整代码与训练接入4.1 `experimental_bbox.py`：完整 BCG 配置、上下文和 Loss4.2 `cfg/__init__.py`：允许 CLI 与 Python 训练参数4.3 `loss.py`：`BboxLoss` 接收上下文并调用 BCG4.4 `loss.py`：在 `v8DetectionLoss` 创建 selector 与真实上下文4.5 训练配置五、手把手配置步骤Step 1：放置实验实现Step 2：检查任务范围Step 3：固定变量后训练六、BCCD 实验对比6.1 固定协议6.2 BCG 与 CIoU6.3 分类别结果AP50AP50-95七、常见问题7.1 `bcg_correlation` 为什么不能等于 1 或 -1？7.2 BCG 是否需要 DFL？7.3 BCG 是否增加推理成本？7.4 为什么 BCG recall 上升但 mAP 下降？八、总结专栏系列：YOLOv11 Loss 改进实战文章标签推荐：YOLO11、目标检测、bbox Loss、CIoU、边界回归、尺度建模改进点：BCG（bbox_experiment: bcg）将四边残差拆为水平/垂直平移与尺度项，再加入正定相关二次惩罚源码入口：ultralytics/utils/experimental_bbox.py的bcg_loss()与apply()适用任务：标准DetectionModel的 axis-aligned bbox 检测训练验证状态：BCCD val 单 seed 筛选，不是独立测试结论一、本文简介本文介绍仓库实验性原创组合BCG-IoU Loss。BCG 不是某篇论文的逐式复现：它保留 CIoU 的基础几何约束，并从预测框与 GT 的左右、上下四边残差中构建水平/垂直两个方向的平移变量和尺度变量；随后以两个2×2正定相关二次型作为额外惩罚。标准 CIoU 已覆盖重叠、中心距离和长宽比，但不会显式把“左右边共同移动”与“左右边向外或向内扩张”拆为可控变量。BCG 的设计假设是：边界误差可以在每个坐标轴
)
