系列文章目录
YOLOv5修改Focal EIOU Loss
前言
CIoU Loss虽然考虑了边界框回归的重叠面积、中心点距离、高宽比。但是其公式中的v反映的是高宽的差异,而不是高宽分别与其置信度的真实差异。因此,有时会阻碍模型有效的优化相似性。针对这一问题,本文在CIoU的基础上将高宽比拆开,提出了EIoU Loss,并且引入了Focal Loss聚焦优质的锚框。
文章贡献:
将高宽比的损失项拆分成预测的高宽分别与最小外接框高宽的差值,加快了收敛速度,提高了回归精度;
引入了Focal Loss,优化了边界框回归任务中的样本不平衡问题,即减少了与目标边界框重叠程度较低的锚框对BBox回归的优化贡献,使回归过程更专注于高质量的锚框。
对合成数据和真实数据进行了广泛的实验。出色的实验结果验证了所提出方法的优越性。详细的消融实验显示了损失函数和参数值不同设置的影响。
考虑到预测目标边界框回归的过程中存在训练样本不平衡的问题,即在一张图像中,回归误差小的高质量锚框数量远少于误差大的低质量锚框数量。质量较差的锚框会产生过大的梯度,影响训练过程。直接使用EIoU Loss效果并不好,所以作者结合Focal Loss提出了Focal-EIoU Loss,从梯度的角度出发,把高质量的锚框和低质量的锚框分开
一、修改两处
1.修改metrics.py
代码如下(示例&#x