yolov3和yolov4损失函数

yolov3损失函数

loss公式

其中：
网格共有KxK个，每个网格产生M个候选框anchor，每个anchor经过网络会得到相应的bounding box，最终形成KxKxM个bounding box，如果box内noobj，则只计算该box的置信loss。

1.回归loss会乘以一个(2-wxh)的比例系数，用来加大对小box的损失。
其中box_loss_scale=(2-wxh)；object_mask其实是个置信度，如果有目标则为1，没有目标为0；对于wh_loss采用回归方法；而对于xy_loss，上述公式采用回归方法，x_i和y_i hat其实是取了sigmoid之后的值，而在keras版本中，采用了交叉熵，因为raw_pred是经过model的卷积输出，如果采用sigmoid+方差，容易梯度消失，收敛较慢，所以采用二值交叉熵binary_crossentropy更容易计算。

2.置信度loss损失函数采用交叉熵，分为两部分：obj和noobj，其中noobj的loss还增加了权重系数lambda，这是为了减少noobj计算部分的贡献权重。

3.分类loss损失函数采用交叉熵，当第i个网格的第j个anchor box负责某一个真实目标时，那么这个anchor box所产生的bounding box才会去计算分类损失函数。

loss代码

box_loss_scale = 2 - y_true[l][...,2:3]*y_true[l][...,3:4]
# raw_true_xy = [13x(x_true-1),13x(y_true-1)] (< 0)
# raw_pred[..., 0:2] = [pred_x,pred_y]
# binary_crossentropy = [13x(x_true-1),13x(y_true-1)]xlog([pred_x,pred_y])+(1-[13x(x_true-1),13x(y_true-1)])xlog(1-[pred_x,pred_y])
xy_loss = object_mask * box_loss_scale * K.binary_crossentropy(raw_true_xy, raw_pred[...,0:2], from_logits=True)
wh_loss = object_mask * box_loss_scale * 0.5 * K.square(raw_true_wh-raw_pred[...,2:4])
confidence_loss = object_mask * K.binary_crossentropy(object_mask, raw_pred[...,4:5], from_logits=True)+ (1-object_mask) * K.binary_crossentropy(object_mask, raw_pred[...,4:5], from_logits=True) * ignore_mask
class_loss = object_mask * K.binary_crossentropy(true_class_probs, raw_pred[...,5:], from_logits=True)
xy_loss = K.sum(xy_loss) / mf
wh_loss = K.sum(wh_loss) / mf
confidence_loss = K.sum(confidence_loss) / mf
class_loss = K.sum(class_loss) / mf
loss += xy_loss + wh_loss + confidence_loss + class_loss

 
 

 
 

yolov4损失函数

loss公式

与yolov3不同的是，location_loss使用了ciou。ciou在iou的基础上考虑了边框的重合度、中心距离和宽高比的尺度信息。
ciou——loss函数如下：

loss代码

box_loss_scale = 2 - y_true[l][...,2:3]*y_true[l][...,3:4]
raw_true_box = y_true[l][...,0:4]
ciou = box_ciou(pred_box, raw_true_box)
ciou_loss = object_mask * box_loss_scale * (1 - ciou)
ciou_loss = K.sum(ciou_loss) / mf
location_loss = ciou_loss
confidence_loss = object_mask * K.binary_crossentropy(object_mask, raw_pred[...,4:5], from_logits=True)+(1-object_mask) * K.binary_crossentropy(object_mask, raw_pred[...,4:5], from_logits=True) * ignore_mask
class_loss = object_mask * K.binary_crossentropy(true_class_probs, raw_pred[...,5:], from_logits=True)
confidence_loss = K.sum(confidence_loss) / mf
class_loss = K.sum(class_loss) / mf
loss += location_loss + confidence_loss + class_loss