168、样本分配中忽略样本 ignore sample 的阈值消融：忽略区域大小对训练稳定性影响
从一次诡异的loss震荡说起
去年年底调一个YOLOv11的工业检测模型，训练到第80个epoch左右，loss突然像抽风一样上下乱跳，mAP从0.78直接掉到0.62，然后慢慢爬回来，再掉。我盯着tensorboard看了半小时，确认不是学习率调度器的问题，也不是数据增强的锅。最后把目光锁定在样本分配策略上——那个被我忽略了大半年的ignore_threshold参数。
YOLOv11的样本分配机制里，有一个“灰色地带”：那些既不是正样本（anchor与GT的IoU高于某个阈值）、也不是负样本（IoU低于另一个阈值）的anchor，会被标记为ignore sample。这些样本不参与loss计算，相当于训练时直接跳过。这个设计本意是缓解边界样本的模糊性，但忽略区域的大小——也就是两个阈值之间的间隔——对训练稳定性有直接影响。
忽略样本的“灰色地带”到底在干什么
先看一眼YOLOv11里样本分配的简化逻辑，我直接贴代码，注释里写清楚踩过的坑：
# 这是YOLOv11 TaskAlignedAssigner的核心逻辑，我简化了，但关键阈值部分没动class
