摘要：本文介绍 NWD（Normalized Wasserstein Distance）损失函数在 YOLOv11 中的集成方法。NWD 将边界框建模为 2D 高斯分布，用 Wasserstein 距离替代传统 IoU 衡量检测框相似度，有效解决了 IoU 对小目标位置偏移过度敏感的问题。实验表明，NWD + CIoU 混合损失可在小目标检测场景获得稳定提升。
一、YOLOv11 改进目录
本文属于 YOLOv11 损失函数改进系列 之一：
| 1 | 检测头改进 | 添加 P2 层小目标检测头 | 超小目标（<16×16像素） |
| 2 | 下采样改进 | SPDConv 空间转深度卷积 | 小目标特征保留 |
| 3 | 损失函数改进 | Focal Loss 替代 BCE 分类损失 | 类别不均衡 |
| 4 | 损失函数改进 | ⭐ NWD Loss 替代/混合 CIoU | 小目标回归精度提升 |
| 5 | 训练策略 | Multi-scale training / Mosaic 优化 | 小目标泛化性 |
二、NWD 原理介绍
2.1 为什么 IoU 对小目标不公平？
传统目标检测使用 CIoU（Complete IoU） 作为边界框回归损失。对于大目标，IoU 表现良好；但对于小目标，IoU 存在两个致命缺陷：
问题一：小偏移引起大落差
假设一个 6×6 像素的小目标，仅偏移 3 个像素：
中心点偏移 3px:
├─ 大目标 (200×200): IoU 从 0.97 → 0.94 (下降 3%)
└─ 小目标 (6×6): IoU 从 0.53 → 0.06 (下降 89%！)
同样的位置偏移，对小目标的 IoU 影响是大目标的 30 倍。
问题二：无重叠区域时梯度为零
当预测框与真实框没有交集时，IoU = 0，梯度也为零，模型无法判断\”应该往哪个方向移动\”。
2.2 NWD 核心思想：把框看作高斯分布
NWD 的出发点很简单：不要用硬边界（重叠/不重叠），而是用概率分布来建模边界框。
一个边界框 (cx, cy, w, h) 被建模为一个 二维高斯分布：
N(μ, Σ)
其中:
均值 μ = [cx, cy]ᵀ ← 框的中心
协方差 Σ = [[(w/2)², 0],
&
