YOLOv10s训练代码解析8：Loss计算

本专栏会手把手带你从源码了解YOLOv10(后续会陆续介绍YOLOv8、RTDETR等模型)，尽可能地完整介绍整个算法，这个专栏会持续创作与更新，大家如果想要本文PDF和思维导图，后台私信我即可(创作不易，不喜勿喷)，大家如果发现任何错误和需要修改的地方都可以私信我，我会统一修改。

上一章在ultralytics/utils/loss.py中对GT进行处理，得到的target_bboxes维度为[16, 8400, 4]：每个图像中的锚点对应GT的GT边框；target_scores维度为[16, 8400, 80]：每个图像中的锚点对应GT的GT类别得分(归一化指标得分)；fg_mask维度为[16, 8400]：每个图像匹配锚点的情况

接着就是计算分类损失，在ultralytics/utils/loss.py的第234行，分类损失用的是nn.BCEWithLogitsLoss

接着再计算目标边框损失(ultralytics/utils/loss.py的第239行)，包括CIoU Loss和dfl Loss

调用ultralytics/utils/loss.py中的BboxLoss类的forward方法计算CIoU loss和dfl loss

第73行计算预测框对应GT类别的预测置信分；

第75行计算预测框与GT的CIoU

第80行计算GT的dfl分布

第82行计算dfl Loss

在ultralytics/utils/metrics.py的bbox_iou函数计算CIoU

在ultralytics/utils/loss.py的_df_loss函数中计算dfl Loss

最后返回的第一个值为总损失，第二个包含box、cls以及dfl loss

之后再one2many算好Loss之后，继续计算one2one的Loss

等Loss计算完成之后，继续在ultralytics/engine/trainer.py中执行Backward、打印指标、优化器参数更新、画图等

最后在ultralytics/engine/trainer.py中继续训练epoch剩下的batch

这部分关于的整体流程如下图所示，需要原图和思维导图的朋友关注我私信获取