DFL損失，全稱為Distribution Focal Loss，是一種套用於目標檢測任務中的邊界框回歸（bounding box regression）過程的損失函式。它的主要作用是校正模型在預測物體邊界框時的誤差，通過最佳化可以提升在有些模糊或者焦點不集中的圖片上的對象檢測精度。在訓練過程中，DFL損失越低，表明模型在預測邊界框方面的性能越好。DFL損失是對Box損失的一個補充或是方法的最佳化，使模型在邊界框預測的性能上更上一層樓。Box損失函式通常用於基本的目標檢測任務，如Faster R-CNN, SSD等方法，而DFL損失則適用於更複雜的情況，特別是當檢測任務涉及到大量的模糊或焦點不集中的目標時。