نُقدّم وظيفة خسارة موحدة، محدودة، متوازنة، وتعتمد على التصنيف المرتب (aLRP)، لمهام التصنيف والتحديد المكاني في كشف الكائنات. تُعدّ aLRP امتدادًا لوظيفة الأداء المعروفة بـ Localisation-Recall-Precision (LRP) (Oksuz et al., 2018)، مستوحاة من الطريقة التي تم بها توسيع خسارة الدقة المتوسطة (AP Loss) لتحويل الدقة إلى دالة خسارة تعتمد على التصنيف المرتب لمهام التصنيف (Chen et al., 2020). تتمتع aLRP بالمزايا التالية: (i) تُعدّ aLRP أول دالة خسارة تعتمد على التصنيف المرتب لمهام التصنيف والتحديد المكاني معًا. (ii) وبفضل استخدام التصنيف المرتب في كلا المهمتين، تُفرض aLRP تحسينًا طبيعيًا في دقة التحديد المكاني عند تحقيق دقة عالية في التصنيف. (iii) تضمن aLRP توازنًا مضمونًا بين العينات الإيجابية والسلبية. (iv) مقارنةً بوجود حوالي 6 معلمات قابلة للضبط في دوال الخسارة الخاصة بأفضل النماذج الحالية، فإن aLRP تمتلك معلمة واحدة فقط، لم نُعدّلها عمليًا. على مجموعة بيانات COCO، تُحسّن aLRP دالة الخسارة السابقة التي تعتمد على التصنيف المرتب، وهي AP Loss، بمقدار حوالي 5 نقاط AP، وتُحقّق 48.9 AP دون استخدام تكبير أثناء الاختبار، وتتفوّق على جميع النماذج ذات المرحلة الواحدة. الكود متاح عبر: https://github.com/kemaloksuz/aLRPLoss