一、本文介绍🔥本文给大家介绍使用 FoCIoU 更聚焦的损失函数 改进YOLOv11网络模型，主要作用是优化边界框回归过程，使模型在保持 CIoU 对重叠面积、中心距离和宽高比约束的基础上，更加关注定位困难的样本。FoCIoU 通过引入 IoUMF 非线性难度感知映射，对不同 IoU 水平的预测框进行动态梯度调制：对于高 IoU 的易样本，降低其优化权重，避免模型反复关注已较好拟合的目标；对于低 IoU 的难样本，则增强梯度反馈，使模型重点学习遮挡目标、小目标、密集目标和形状变化较大目标的定位特征。用于改进 YOLOv11时，FoCIoU 能够提升检测框回归精度，缓解难易样本不平衡问题，增强复杂场景下的目标定位稳定性；同时该方法属于损失函数层面的改进，不增加模型参数量和推理计算量，能够在不影响实时性的前提下提升整体检测精度和鲁棒性。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥YOLOv11专栏改进目录：YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进全新YOLOv11-发论文改进专栏链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文本文目录一、本文介绍二、FoCIoU 更聚焦的损失函数介绍2.1 YOLO-ULM模型结构图2.2FoCIoU 更聚焦的损失函数的作用：2.3 FoCIoU 更聚焦的损失函数的原理2.4FoCIoU 更聚焦的损失函数的优势三、FoCIoU损失函数完整核心代码四、手把手教你添加FoCIoU损失函数教程五、手把手教大家如何使用FoCIoU目标检测损失函数六、使用FoCIoU损失函数，正常运行二、FoCIoU 更聚焦的损失函数介绍摘要：YOLO系列检测器以卓越的精度和速度实现了目标检测。然而，无论是卷积网络还是自注意力机制架构，都存在参数冗余和计算效率不足的问题。现有的轻量级方法过度追求速度，却忽视了特征提取及不同阶段空间变换过程中重要信息的丢失。因此，有效的轻量化设计对检测性能至关重要。我们提出YOLO-ULM——一款超轻量级实时检测器，在保持高精度的同时实现推理加速。我们创新性地设计了多种兼具效率与精度优化的模块，包括高效的特征聚合模块、并行降采样模块以及更精准的完整IoU损失函数。为验证该方案，我们在COCO数据集上从零开始训练模型且不使用预训练权重；通过优化骨干网络参数，进一步将其升级为YOLO-ULM-Turbo以实现加速推理。YOLO-ULM在性能上超越了YOLOv11/YOLOv12/YOLOv13及RT-DETR等当前最先进的实时检测器。在T4 GPU上，YOLO-ULM-N模型达到41.6%的平均精度（mAP），推理延迟仅为