一、前言

? ? ?使用 yolo11進行目標檢測時，發現訓練數據集存在類別數量不平衡的情況，查閱了一下資料，可采取以下方法。

二、樣本增強

? ?? 少數類的框是獨立存在于圖片中，則可通過顏色、亮度、幾何變換等方法人為增加少數類的樣本數，使少數類的框的數量 和多數類的框數量上保持平衡。

三、方法二

? ? ? ? 修改? loss.py文件中的 bce初始化權值，少數類賦予更大權值，使模型更關注少數類。

        #self.bce = nn.BCEWithLogitsLoss(reduction="none")device = torch.device("cuda" if torch.cuda.is_available() else "cpu")tensor1 = torch.tensor([1.0, 6.0])  # 第一類與第二類重要性之比為：1：6self.bce = nn.BCEWithLogitsLoss(weight=tensor1.to(device), reduction="none")

?