【YOLOv8 代码解读】所有任务Loss损失代码梳理

已于 2024-03-29 17:37:50 修改
阅读量1w 收藏 84
点赞数 60
分类专栏： YOLOv8系列 文章标签： YOLO 人工智能
于 2024-03-26 15:33:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51579041/article/details/137042832
版权

YOLOv8官方将各类任务（目标检测，关键点检测，实例分割，旋转目标框检测，图像分类）的损失函数封装了在ultralytics\utils\loss.py中，本文主要梳理一下各类任务Loss的大致组成，不涉及到具体的原理。

一、目标检测任务

1.1 class v8DetectionLoss

YOLOv8目标检测任务主要由分类损失，和矩形框回归损失（iou loss，DFL loss）组成。
在这里插入图片描述
在这里插入图片描述

1.2 分类损失

YOLOv8用的多分类损失是N个目标的二元交叉熵损失，而不是一般我们认为的多目标的softmax交叉熵损失。
这里

了解本专栏 订阅专栏 解锁全文 超级会员免费看
BILLY BILLY
关注
  • 60
    点赞
  • 踩
  • 84
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
YOLOv8改进 | 损失函数篇 | SlideLoss、FocalLoss分类损失函数助力细节涨点(全网最全)
Snu77的博客
01-09 7497
本文给大家带来的是分类损失SlideLoss、VFLoss、FocalLoss损失函数，我们之前看那的那些IoU都是边界框回归损失，和本文的修改内容并不冲突，所以大家可以知道损失函数分为两种一种是分类损失另一种是边界框回归损失，上一篇文章里面我们总结了过去百分之九十的边界框回归损失的使用方法，本文我们就来介绍几种市面上流行的和最新的分类损失函数，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制
YOLOv8 | 代码逐行解析(一) | 项目目录构造分析
Snu77的博客
12-16 1万+
Hello，大家好这次给大家带来的不是改进，是整个YOLOv8项目的分析，整个系列大概会更新7-10篇左右的文章，从项目的目录到每一个功能代码的都会进行详细的讲解，同时YOLOv8改进系列也突破了三十篇文章，最后预计本专栏持续更新会在年底更新上百篇的改进教程， 所以大家如果没有订阅专栏可以提前订阅以下。下面开始进行YOLOv8逐行解析的一篇——项目目录构造分析在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，。
YOLOv8-训练流程-损失函数
weixin_40723264的博客
06-06 1万+
（1）通过YOLOv8-训练流程-正负样本分配的介绍，我们可以知道，经过预处理与筛选的过程得到最终的训练数据：a. 网络输出值：pred_scores[bx8400xcls_num]、pred_bboxes[bx8400x4]b. 训练标签值：
yolov8在train时，出现box_loss、cls_loss、dfl_loss为nan，Box(P R mAP50 mAP50-95)为0的解决办法
2301_78783836的博客
07-04 1万+
'cpu' 将self.args.half的值设置为False 后训练yolov8n Box(P R mAP50 mAP50-95)不为0。并注释掉ultralytics/yolo/engine/validator.py 中第102行代码 # self.args.half = self.device.type!分析.half()改为.float()或者把half赋值为False，找到val.py和validator.py。查看self.args.half:的值的结果。
【25k字】图文解读YOLOv8及实例分割（附python代码）
猛码Memmat
06-19 1万+
yolov8
yolov8中detect loss代码解析
shilichangtin的博客
12-25 2333
yolov8检测损失代码解析
Yolov 8源码超详细逐行解读+ 网络结构细讲(自我用的小白笔记)
热门推荐
chenhaogu的博客
07-19 5万+
以上就是今天要讲的内容，本文仅仅简单介绍了源码结构，后面还会持续更新讲解，由于这次写的太多了，怕大家看不过来。过段时间继续拆封代码并尝试用常见的pytorch原始框架复现缩减版yolov8。也许上面还有很多错误，欢迎大家指正！！！t=N658t=N658完整且详细的Yolov8复现+训练自己的数据集_咕哥的博客-CSDN博客https://blog.csdn.net/chenhaogu/article/details/131161374?二、
【YOLOv8模型网络结构图理解】
dally2的博客
03-12 3万+
YOLOv8模型网络结构图理解
【AI】YOLOv8代码详解
郭老二
07-21 443
尝试了解YOLOv8各个网络层模块的代码实现
YOLOv8源码逐行解读（yolov8.yaml）（更新中）
如烟
04-11 2万+
进行卷积操作，输出特征图尺寸为20*20*1024（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/32。进行卷积操作，输出特征图尺寸为40*40*512（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/16。进行卷积操作，输出特征图尺寸为80*80*256（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/8。第0层的输入是640*640*3的图像。
YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py
路人贾的博客
03-11 2万+
全网最详细的YOLOv5项目源码解读之训练部分train. py。全文近5万字！代码逐行注释，逐段讲解，小白入门必备！
YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py
路人贾的博客
03-19 1万+
全网最详细的YOLO源码解读之验证部分val.py。全文近5万字，代码逐行注释，逐段精讲！小白0基础必看！
YOLOv1、YOLOv2和YOLOv3对比
北溟客的博客
06-06 5575
YOLOv1、YOLOv2和YOLOv3对比R-CNN系列YOLOv1结构目标输出网络训练YOLOv1的局限性和R-CNN系列的对比YOLOv2结构目标输出网络训练关于YOLO9000YOLOv3结构目标输出网络训练YOLOv3系统做过的不成功的尝试未来 YOLO深度卷积神经网络已经经过原作者Joseph Redmon已经经过了3代4个经典版本（含YOLOv2和YOLO9000），俄罗斯的AlexeyAB已经完成了第4版迭代，并获得了Joseph官方认可。本文主要对前3个经典版本进行分析。 YOLOv1是2
目标检测算法——YOLO-Word——算法详解
最新发布
TigerZ*的博客
04-19 868
本文主要介绍YOLO-word 算法，从思路和数据角度去梳理输出文章的创新点，整体而言CLIP 文本embedding的引入以及大规模数据的加入，赋予了模型识别开集其余类目的能力。
yolov8训练数据集box_loss、cls_loss、dfl_loss的值为nan
01-04 2972
如果修改一堆代码，还不如直接改为CPU训练呢，改为CPU训练后，不会出现nan的情况，不过跟上面的一样直接不用GPU训练，速度会慢很多。还有一堆文章介绍说改代码，修改half、float啥的，这样非常不友好也不推荐，这样其实就是禁用GPU半精度运算，使得运算变慢。原因据说是显卡的bug，16系列的和pytorch的不兼容。大部分网友只需要把batch的值调为2。
YOLOV8损失函数详细讲解【更新！】
zs849644371的博客
08-12 2万+
在这个公式中，IoU是交并比，b和bgt表示两个矩形框的中心点，ρ表示两个矩形框之间的欧式距离，c表示两个矩形框闭合区域的对角线距离，v用于测量两个矩形框相对比例的一致性，α是权重系数，具体详细看。本人研0小白，最近在苦学YOLOV8，为了加深记忆，在学习过程中做了学习笔记，这篇主要将YOLOV8的损失函数，但目前只学了一点，后面如有发展会继续更新。上表我们竖着看，黄色的代表是猫的编码 [1, 0, 0]，浅绿色代表的是狗的编码 [0, 1, 0]，粉色代表的人的代码[0,0,1]
【目标检测】yolov8结构及代码分析
AI爱好者的博客，分享计算机领域相关知识
12-30 3108
yolov8的整体结构如下图（来自mmyolo）：可以看出，主要包含Conv，C2f，SPPF，Concat，Detect几个模块。
yolov7 损失函数
09-07
YOLOV7的损失函数是基于YOLOV3的损失函数进行修改的。YOLOV3的损失函数使用多个独立的逻辑回归损失代替了YOLOV2中的softmax损失，并去掉了对Anchor在前12800次训练轮次中的回归损失。此外，YOLOV7的损失函数还引入了一个ignore_thresh参数。 具体来说，YOLOV7中的损失函数分为两部分：主要损失函数（ComputeLossOTA）和辅助损失函数（ComputeLossAuxOTA）。主要损失函数将三个黄色框视为正样本，而辅助损失函数将黄色框和橙色框视为正样本。 总结起来，YOLOV7的损失函数是基于YOLOV3的损失函数进行改进的，通过多个逻辑回归损失来代替softmax损失，并且引入了ignore_thresh参数。此外，YOLOV7的损失函数还包括主要损失函数和辅助损失函数，分别对应不同的样本分类情况。<span class="em">1</span><span class="em">2</span> #### 引用[.reference_title] - *1* [【AlexeyAB DarkNet框架解析】九，YOLOV3损失函数代码详解(yolo_layer.c)](https://download.csdn.net/download/weixin_38641561/14884917)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [YOLOV7算法(三)损失函数ComputeLossOTA学习记录](https://blog.csdn.net/qq_38964360/article/details/128670312)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

BILLY BILLY

你的奖励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值