常用目标检测算法loss总结（持续更新）

最新推荐文章于 2024-09-11 11:38:59 发布
最新推荐文章于 2024-09-11 11:38:59 发布
阅读量1.1w 收藏 25
点赞数 2
分类专栏： 机器学习笔记
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/qq_33638791/article/details/79957092
版权

R-cnn，Fast Rcnn

输入层设置

特征输入分别输出到两个并行的全连接层，即传统意义上的，分类+回归

  • cls_score层：分类层，输出K+1维的数组， pi p i 表示是分类还是背景的概率
  • bbox_predict层: 候选框需要调整层，输出4*K维数组，表示属于第K类时应该缩放平移的参数
Loss fuction
  • loss_cls : 对分类进行评估，采用真实分类概率决定: Lcls=−logpu L c l s = − l o g p u
  • loss_bbox:对bbox定位进行评估，用于比较真实分类对应的预测参数 tu t u 和真实平移缩放参数为 v v 的差别:
最低0.47元/天 解锁文章
Kelisita
关注
专栏目录
常见经典目标检测算法
数字人生
04-23 3230
针对单阶段检测器在分类和定位任务上的不平衡问题，提出了Focal Loss，有效缓解了背景类样本对模型训练的影响，提高了对难分类样本的学习能力，使得RetinaNet在保持高检测速度的同时，精度达到了与两阶段检测器相当的水平。YOLO以其高效的速度受到广泛关注。SSD结合了YOLO的速度和Faster R-CNN的准确性，通过在不同分辨率的特征图上使用不同大小的滤波器来直接预测边界框和类别概率，提高了目标检测的速度和效果。这些算法在目标检测领域都取得了显著的成绩，为后续的研究和应用提供了坚实的基础。
目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究
qq_36130719的博客
05-23 2456
近几年来，在计算机视觉领域，利用深度学习卷积神经网络技术来实现各种任务的算法越来越多。毫米波雷达、相机、激光雷达、超声波雷达等车载传感器生产成本的降低，汽车的自动驾驶技术得到了飞速发展，在我们的日常生活中经常能看到该技术辅助汽车驾驶员进行行车。和非自动驾驶汽车相比，自动驾驶汽车存在诸多优点，如进一步减少交通事故，保障人身安全；提供安全合理的路线，避免交通拥堵；采用清洁无污染的电能作为汽车新能源，从而降低大气污染等。现如今，自动驾驶技术已经逐渐深入到各个领域并发挥着关键的作用。
mmdet之Loss模块详解
wulele2的博客
06-26 4263
 该篇介绍mmdet的损失函数部分，后续会逐渐扩充mmdet中损失函数的使用注意事项以及使用方法。 
mmdetection目标检测训练过程参数解读
知北行的博客
05-19 3901
关于训练过程中日志记录的的map, 包含很多map, 如下 {"mode": "train", "epoch": 100, "iter": 400, "lr": 0.0002, "memory": 5010, "data_time": 0.01552, "loss_rpn_cls": 0.00029, "loss_rpn_bbox": 0.0016, "loss_cls": 0.01206, "acc": 99.49316, "loss_bbox": 0.01724, "loss": 0.03119, "t
YOLOv8损失函数解读
最新发布
weixin_59625357的博客
09-11 699
img0, cls, x, y, x, y], ----> [[cls, x, y, x, y], [cls, x, y, x, y], [0, 0, 0, 0, 0]], # 对应所有img1, 不够的用0填充。[img0, cls, x, y, x, y], [[[cls, x, y, x, y], [cls, x, y, x, y], [cls, x, y, x, y]], # 对应所有img0。fg_mask:[bs, 8400]: 记录着每个单元格中是否有前景物体。DFL损失(详细解释见。
[解决错误]mmyolo的bbox_loss和检测bbox都是空
jiangqixing0728的博客
12-11 1020
最近用mmyolo训练自己的数据集的时候发现训练的时候loss_bbox=0，测试和eval的时候结果也全是空的，排除了数据集读取的问题，最后发现是config中自定义了自己的类别但是没有传给dataset。简而言之，在自定义了数据集里的metainfo即类别后，还需要再dataloader构造的时候传入这些metainfo。
目标检测loss计算
qq_41863595的博客
08-18 1116
参考：https://blog.csdn.net/weixin_44791964/article/details/106533581?spm=1001.2014.3001.5501 loss的计算过程 在得到了y_pre和y_true后怎么对比呢？不是简单的减一下! loss值需要对三个特征层进行处理，这里以最小的特征层为例。 1、利用y_true取出该特征层中真实存在目标的点的位置(m,19,19,3,1)及其对应的种类(m,19,19,3,80)。 2、将yolo_outputs的预测值输出进行处理，得
【目标检测】YOLO系列Anchor标签分配、边框回归（坐标预测）方式、LOSS计算方式
热门推荐
zhicai_liu的博客
02-05 1万+
1、YOLOv1 标签分配：GT的中心落在哪个grid，那个grid对应的两个bbox中与GT的IOU最大的bbox为正样本，其余为负样本，（由于是回归模型，不是分类模型，其解决类别不平衡的方式为各项loss采取不同的权重），即虽然一个grid分配两个bbox，但是只有一个bbox负责预测一个目标（边框和类别），这样导致YOLOv1最终只能预测7*7=49个目标。 边框回归方式：直接预测(x, y, w, h)，不是像rcnn系列那样的偏移量的概念，虽然其中心点的预测是相对gird左上角的位置，但是其没
【智能算法】目标检测算法
大雨淅淅的博客
06-29 2428
目标检测算法在众多领域都有着广泛的应用。在图像处理方面，它可以用于自动标注图片中的特定物体、进行人脸识别和姿态估计等任务；在自动驾驶领域，它可以帮助车辆检测周围的车辆、行人、交通灯等障碍物，从而实现安全驾驶；在安防监控领域，它可以用于智能监控和异常行为检测等任务；在医学影像分析领域，它可以帮助医生更准确地诊断病情、发现肿瘤等病变；在无人机应用方面，它可以用于识别某特定目标的位置来引导无人机飞行、进行环境监测和搜救等任务。总之，目标检测算法已经成为推动计算机视觉领域不断发展的重要动力之一。
目标检测常用算法原理+实践精讲---学习笔记以及人脸检测相关问题总结
聪哥965
02-03 2611
文章目录1.传统目标检测方法1.1 Viola-Jones (人脸检测)1.2 HOG+SVM (行人检测、Opencv实现)1.3 DPM (物体检测)2.One stage2.1 Yolo体系变化2.2 YOLO网络结构是怎样的？2.3 YOLO的输入、输出、损失函数分别是什么？2.4 YOLO怎样预测？2.5 YOLOv3不使用Softmax对每个框进行分类的原因？2.6 YOLOv3的架构2.7 为什么SSD对小目标检测效果不好?3.Two stageFaster R-CNNFaster RCNN的
04训练——基于YOLO V8的自定义数据集训练——训练结果说明
raozhongbo的博客
10-08 3217
PR_curve 是 P-R 曲线的简称，它是精确率和召回率之间的关系曲线，精确率表示预测为正类的样本中有多少是真正的正类，召回率表示真正的正类中有多少被预测为正类。当你看到如下图所示的结果，就证明训练已经结束，并且可以在左侧文件夹中找到生成的weights文件夹，其中的best.pt就是生成的效果最好的模型文件，last.pt是生成的训练到当前状态最新的模型文件。例如，all类别的mAP50-95是0.316，表示整个模型在测试集上按照IOU从0.5到0.95的不同标准，目标检测的平均精度是31.6%。
目标检测模型中的几个损失值
qq_52832321的博客
03-08 4912
DFL损失的主要作用是用于校正模型在预测物体边界框时的误差，优化后的效果可以在一定程度上针对有些模糊或者焦点不集中的图片提升对象检测的精度。Box Loss直接依赖于模型预测的边界框与实际（或称为真值）边界框之间的距离。DFL损失是一个更高级的损失函数，目标是能在某些更复杂的情况下获得更好的性能，特别是针对一些难以边界框预测的目标。Box损失函数通常用于基本的目标检测任务，如Faster R-CNN, SSD等方法，Box损失是一个相对简单的损失函数，它主要计算预测的边界框与实际的边界框之间的位置偏差。
常见box loss汇总
qq_42178122的博客
11-07 2556
传统回归loss都是回归表征一个矩形框的四个变量，但。实际上，，简单的分开计算每个变量的回归loss无法反映这种相关性，而将预测框与GT框之间的iou引入回归loss则很好的解决了这一问题。
Yolo-World在自定义数据集上进行闭集词汇训练过程（一）——使用源码训练模型
ITdaka的博客
05-29 3347
基于自定义数据集如何训练yolo-world模型
三大视觉任务的loss
爱CV
05-06 3509
机器学习算法的设计使其可以从错误中“学习”并使用我们提供给他们的训练数据来“更新”自己。但是他们如何量化这些错误呢？这是通过使用“损失函数”来完成的，该函数可以帮助算法了解与基本事实相比，其预测的错误程度。选择合适的损失函数很重要，因为它会影响算法尽快生成最佳结果的能力。 01基本的损失函数: 1.1 L2 LOSS 这是可用的最基本的损失，也称为MSE Loss。这依赖于两个向量[预测和真实标签]之间的Euclidean距离。 L2 Loss 对异常值非常敏感，...
(五)目标检测- 基于候选区域的目标检测器
qq_23123181的博客
02-15 856
1、RCNN的关键点 (1) 用selective search生产RP(Region Proposals),RP的大小不一样，之后通过warp，把RP变成统一的227*227的大小 (2) 将227*227的RP输入到CNN中进行特征提取 (3) 用独立的SVM对RP进行特征分类 (4) 用Bb回归（Bounding box regression）校正原来的RP，生产预测窗口的坐标 2、fast rcnn (1)用Selective Search生成约2K个RP (2)整张图像输入C..
pva-faster-rcnn（caffe）绘制训练loss和lr曲线
ZONGXP的博客
07-04 2708
为了观察神经网络训练效果，绘制loss曲线，得到模型训练的变化趋势。为了实现这个目的，经过以下几个步骤：1 保存训练日志创建一个sh文件，输入以下内容#!/usr/bin/env sh LOG="/home/lthpc/pva-faster-rcnn2/experiments/logs-`date +%Y-%m-%d-%H-%M-%S`.log" exec &> >(tee -...
faster-rcnn 训练出错： Train net output #7: bbox_loss = 0
小火车~
04-20 3993
训练faster-rcnn时出现如下错误： I0420 11:41:59.087788 3180 solver.cpp:245] Train net output #7: bbox_loss = 0 (* 1 = 0 loss) 原因：训练时，训练数目太少了，box的loss更新不动。 解决办法：　在../config.py里提高ＲＯＩ的数目， 　　　　　即提高　__C
2020-12-18
weixin_46389668的博客
12-18 239
深度学习， 损失函数 Matching strategy (匹配策略)： 不同方法 ground truth boxes 与 prior bboxes 的匹配策略大致都是类似的，但是细节会有所不同。这里我们采用SSD中的匹配策略，具体如下： 第一个原则：从ground truth box出发，寻找与每一个ground truth box有最大的jaccard overlap的prior bbox，这样就能保证每一个groundtruth box一定与一个prior bbox对应起来(jaccard over
评论 2
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

Kelisita

你的鼓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