【笔记】Yolo_v3 损失：正例，计算bbox与GT之间的位置和大小差异（MSE），计算80个类别维度与target的one-hot向量间的交叉熵损失；正例和负例，加权求和置信度与GT之间的交叉熵

最新推荐文章于 2024-05-25 23:01:35 发布
最新推荐文章于 2024-05-25 23:01:35 发布
阅读量320 收藏
点赞数
分类专栏： 小菜鸡加油
原文链接：https://blog.csdn.net/jackzhang11/article/details/107302575
版权
本文详细介绍了使用PyTorch实现Yolov3时所用到的损失函数，包括正例的MSE损失计算位置和大小差异，正例的类别交叉熵损失，以及正负例的置信度交叉熵损失的加权求和。通过对这三部分损失的深入理解，可以更好地掌握目标检测模型的训练过程。
摘要由CSDN通过智能技术生成

根据pytorch的代码，Yolov3的损失函数主要包括3个部分：

（1）对于正例，计算bbox与GT之间的位置和大小差异，采用MSE损失函数；

（2）对于正例，计算80个类别维度与target的one-hot向量间的交叉熵损失；

（3）对于正例和负例，分别计算置信度与真实之间的交叉熵，并按照一定的比例系数加权求和。

 

 

 

 

程序猿的探索之路
关注
专栏目录
YOLOv8 | 代码逐行解析(五) | YOLOv8中损失函数计算的详解包含Cls和Bbox计算的解析，小白必看（下）
Snu77的博客
07-07 2246
本文给大家带来的是YOLOv8中的损失函数计算的完整解析，内容包括v8DetectionLoss的解析，以及BboxLoss的解析，如果你相对损失函数的计算原理，本文内容绝对会对你有所帮助，全文内容包含1万两千字，手打分析文字超过5000字，全部为干货内容，包含示例解释辅助大家理解，对于小白来说十分适合阅读。YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
开源计算机视觉库OpenCV详解
热门推荐
dvlinker的技术专栏
06-23 8万+
详细介绍开源计算机视觉库OpenCV。
YOLOv3中定位损失的理解
prague6695的博客
04-28 784
YOLOv3中定位损失的理解 首先我们经过这个网络1（来自YOLOv3 SPP源码解析(Pytorch版)）会输出（num_classes+1+4）×num_anchor（num\_classes+1+4）\times num\_anchor（num_classes+1+4）×num_anchor维度的信息。 在其源码中其中包括(85: x, y, w, h, obj, cls1, ...)，分别代表的是下图中的txt_xtx​，tyt_yty​，twt_wtw​，tht_hth​。 cxc_xcx​，cy
关于深度学习损失函数MSE的一些简单总结
qq_37758122的博客
11-30 6602
MSELoss损失函数中文名字就是：均方损失函数，公式如下所示： (xi-yi)的平方 这里 loss, x, y 的维度是一样的，可以是向量或者矩阵，i 是下标。 很多的 loss 函数都有 size_average 和 reduce 两个布尔类型的参数。 因为一般损失函数都是直接计算 batch 的数据，因此返回的 loss 结果都是维度为 (batch_size, ) 的向量。 一般的使用格式如下所示： loss_fn = torch.nn.MSELoss(reduce=True, size_aver
yolov3损失函数_大佬笔记分享：yolov3论文及代码解析
weixin_39885803的博客
11-22 434
来源 | 极链AI云（性价比最高的共享GPU算力平台，双十一活动新人注册可领取268元大礼包，价值150+小时的GPU免费使用时长，领取地址：https://cloud.videojj.com/）一、yolov2对比yolov1的主要改进点1.Batch Normalization（批标准化）(ps:归一化（normalization）将一批不太标准的数据统一到指定的格式。我们在数据处理时常用的是...
损失函数(MSE和交叉熵）
Aliz_
08-03 2万+
[全连接层解决MNIST](http://t.cn/Red79Ea)：只是一层全连接层解决MNIST数据集 [神经网络的传播](http://t.cn/Red76Gn)：讲解了权重更新的过程 这个系列的文章都是为了总结我目前学习的积累。 损失函数 在我文章的网络中，我利用MSE（mean-square error，均方误差）作为损失函数，softmax作为激活函数。 predicti...
【深度学习】002-损失函数：MSE、交叉熵、铰链损失函数（Hinge Loss）
m0_52447591的博客
03-27 5959
本文将主要讨论三种常见的损失函数：均方（MSE）损失、交叉熵损失和铰链损失。这些损失函数是在传统机器学习和深度学习模型中最常用的函数，所以本文清楚地讨论了每一个损失函数模型背后的基本理论，以及何时选择使用它们。
YOLO_small.ckpt
03-06
YOLO_v3、YOLO_v4等是其后续版本，而"YOLO_small"通常指的是YOLO的一个轻量级变体，它在保持一定程度的检测性能的同时，降低了模型的复杂度，更适合资源有限的设备。 在给定的压缩包文件"YOLO_small.ckpt"中，包含...
YOLO踩坑：编译darknet_ros报错no matching function for call to ‘_IplImage::_IplImage(cv::Mat&)’的解决方案
weixin_41855010的博客
12-19 5131
前几天按照YOLO_v4的教程，想在ROS环境下运行YOLO算法，结果在编译的环节报错了，如下图所示。 百度搜索无果，后来用bing搜索终于找到了可行的参考解决方案，因为opCV版本的问题，我们需要在编译的时候加上一些额外的参数如下： catkin build darknet_ros --cmake-args -DCMAKE_CXX_FLAGS=-DCV__ENABLE_C_API_CTORS 具体的原因在链接中解释的比较明白了： I think I found the way to fix the p
Python采用 torch模块+CUDA测试YOLO_v3_tutorial_from_scratch-master实时目标检测
wukai0909的博客
04-21 5499
github地址：https://github.com/qqwweee/keras-yolo3 Pytorch 中，如果直接从 cuda 中取数据，如 var_tensor.cuda().data.numpy()， import torch var_tensor = torch.FloatTensor(2,3) if torch.cuda.is_available(): # 判断 GPU ...
深度学习_损失函数(MSE、MAE、SmoothL1_loss...)
Xiaobai_rabbit0的博客
12-11 6万+
@TOC 总结对比MSE损失函数，MAE损失函数以及Smooth L1_loss损失函数的优缺点 1、常见的MSE、MAE损失函数 1.1、均方误差MSE 均方误差（Mean Square Error,MSE）是回归损失函数中最常用的误差，它是预测值f(x)与目标值y之间差值平方和的均值，其公式如下所示： 下图是均方误差值的曲线分布，其中最小值为预测值为目标值的位置。我们可以看到随着误差的增加损失函数增加的更为迅猛。 优点：MSE的函数曲线光滑、连续，处处可导，便于使用梯度下降算法，是一种常用的损失函
【损失函数】MSE, MAE, Huber loss详解
菜鸟起飞
12-15 3万+
转载：https://mp.weixin.qq.com/s/Xbi5iOh3xoBIK5kVmqbKYA https://baijiahao.baidu.com/s?id=1611951775526158371&wfr=spider&for=pc 无论在机器学习还是深度领域中,损失函数都是一个非常重要的知识点。损失函数（Loss Function）是用来估量模型的预测值 f(x) 与真实值 y 的不一致程度。我们的目标就是最小化损失函数，让 f(x) 与 y 尽量接...
深度学习中的损失函数
qq_30150579的博客
03-25 1813
深度学习中的损失函数
深度学习笔记:详解MSE Loss均方误差损失函数
weixin_53765658的博客
02-28 6205
欢迎Star我的Machine Learning Blog:https://github.com/purepisces/Wenqing-Machine_Learning_Blog。均方误差（MSE，Mean Squared Error）是回归问题中评估预测误差的一种广泛使用的指标。在回归中，目标是预测连续值，例如根据房屋的特征（如面积、位置、卧室数量等）估计房屋的价格。计算从计算模型预测（AAA）与实际真值（YYY）之间的平方误差（SESESE）开始：SE(A,Y)=(A−Y)⊙(A−Y)SE(A, Y)
MSE和MAE：两种损失函数的性质
人工智能曾小健
05-30 1405
两种损失函数的性质 异常值 MSE对异常值敏感，因为它的惩罚是平方的，所以异常值的loss会非常大。 MAE对异常之不敏感， 不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。 优化效率 MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度，MSE可导，有closed-form解，只需要令偏导数为0即可。 如何选择 如果想要检测异常值则使用MSE，如果想学习一个预测模型则建议使用MAE，或者先进
经典损失函数——均方误差(MSE)和交叉熵误差(CEE)的python实现
Answer3664的博客
06-19 1万+
损失函数（loss function）用来表示当前的神经网络对训练数据不拟合的程度。这个损失函数有很多，但是一般使用均方误差和交叉熵误差等。 1.均方误差（mean squared error） 先来看一下表达式： 用于将的求导结果变成，是神经网络的输出，是训练数据的标签值，k表示数据的维度。 用python实现： def MS...
机器学习常用损失函数小结
zandaoguang的博客
02-16 582
作者：王桂波转载自：https://zhuanlan.zhihu.com/p/77686118整理：HealthAI上一篇文章我们看到了目标函数，损失函数，和代价函数的区别。在该部分我们...
常见的损失函数介绍
百年孤独百年的博客
04-20 4831
在深度学习中，损失函数（loss function）是指用来衡量模型预测结果与实际结果之间差异的函数。模型的目标是最小化损失函数，以此来提高模型的准确性和泛化能力。不同的任务和模型会使用不同的损失函数。
常用损失函数学习
最新发布
pumpkin84514的博客
05-25 1142
损失函数（Loss Function），在机器学习和统计学中，是用来量化模型预测输出与真实结果之间差异的函数。简而言之，损失函数衡量了模型预测的好坏，目标是通过最小化这个函数来优化模型参数，从而提高预测准确性。
遥感图像飞机识别：改进YOLO_V3的应用研究
"该资源是一篇关于改进YOLO_V3模型在遥感图像飞机识别中的应用的研究论文，由郑志强、刘妍妍、潘长城和李国宁共同撰写，发表在《电光与控制》期刊上。文章探讨了如何优化YOLO_V3算法以提升在遥感图像中识别飞机的...
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
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