YOLO v3采用focal_loss 效果看法

最新推荐文章于 2024-07-23 10:43:35 发布
最新推荐文章于 2024-07-23 10:43:35 发布
阅读量8k 收藏 19
点赞数 4
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_34795071/article/details/89536836
版权

YOLO v3采用focal_loss 效果拙见，不对的地方欢迎指正

 

  • 论文里，yolov3里一个gt只分配给一个最高iou的predict anchor，不是最高，如果iou高  于 阈值，就忽略这个预测，对于小于阈值的predict anchor只有objectness loss，这个方法筛除了很多预测框，而 objectness loss只是很小的一部分；

  • 本身yolov3只对ahchor 和groudtruth 最高iou做loss ，其本身筛选掉了大部分背景框，所以不存在不均衡的问题了；

  • yolov3在计算loss的时候，统计的是那些已经和groundtruth匹配上的loss，其实这就是解决正负样本不均衡的一个办法，所以focal loss在yolo上作用没那么大

小知识点：

感受野：低层特征图感受野较小，更容易捕获局部信息，对小目标敏感，但是缺乏语义信息  底层是靠近输入的层 特征粒度更细 感受也更小

https://github.com/AlexeyAB/darknet/issues/1003

https://www.zhihu.com/question/293369755

行*云
关注
损失函数篇 | YOLOv8 更换损失函数之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版
YOLOv8项目贡献者
06-16 1万+
YOLOv8 更换损失函数之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版
【YOLOv8改进-损失函数】YOLOv8 更换损失函数之 SIoU EIoU WIoU _ Focal_*IoU CIoU DIoU ShapeIoU MPDIou
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-07 1005
论文地址：论文地址代码地址：代码地址广义IoU（GIoU，Generalized IoU）的计算公式是在标准IoU的基础上进行扩展，加入了对边界框相对位置的补偿。其公式如下：GIoU=IoU−∣C−(A∪B)∣∣C∣ \text{GIoU} = \text{IoU} - \frac{|C - (A \cup B)|}{|C|} GIoU=IoU−∣C∣∣C−(A∪B)∣​其中：具体解释如下：GIoU弥补了IoU在边界框不重叠或重叠很小时无法有效度量边界框相对位置的问题，使得在训练过程中能够更好地优化边界框的
YOLOx添加Focal loss
weixin_43850171的博客
02-25 6249
将YOLOv3及以上的网络中的BCE loss更改为Focal loss loss函数分为三部分，位置损失、置信度损失、类别损失，此处只需要将置信度损失更换为Focal loss，具体原理请仔细理解置信度损失的含义。 YOLOX链接：https://link.zhihu.com/?target=https%3A//github.com/Megvii-BaseDetection/YOLOX 1 找到置信度预测损失计算位置loss_obj，并进行替换（位置在386-405行左右） loss_iou:定位损失；l
yolo如何降低loss_为什么 YOLOv3 用了 Focal Loss 后 mAP 反而掉了？
weixin_29021195的博客
12-31 1951
我发现一个点没见有人提到，欢迎讨论~先说结论：我认为没有提升可能是因为，ignore的阈值设置过高，导致负例样本中出现label noise首先，我是将focal loss用在objectness的损失上，判断有或没有，一个二分类问题。YOLOv3在处理这个二分类问题时，样本(所有anchor框)有3种状态：被标为正例，被标为负例，ignore。是否ignore是由一个阈值控制，论文中设为0.5，...
目标检测（降低误检测率及小目标检测系列笔记）[通俗易懂]
最新发布
Yophan的博客
07-23 1192
目标检测（降低误检测率及小目标检测系列笔记）[通俗易懂]
Yolo v8 改进损失函数：Focal-loss
Phoebee_c的博客
07-26 8116
param alpha: 阿尔法α,类别权重. 当α是列表时,为各类别权重,当α为常数时,类别权重为[α, 1-α, 1-α, ....],常用于 目标检测算法中抑制背景类 , retainnet中设置为0.25。self.alpha[1:] += (1 - alpha) # α 最终为 [ α, 1-α, 1-α, 1-α, 1-α, ...] size:[num_classes]focal_loss损失函数, -α(1-yi)**γ *ce_loss(xi,yi)
数据分析（1）描述分析
vanni01的博客
09-09 615
一、基本统计分析 1、样本均值： 2、样本中位数： 3、样本分位数 4、样本众数 5、样本极差 6、样本方差：SUM((样本值-样本均值)^2 )/n-1 7、样本标准差：POWER（样本方差，2） 8、频数：样本值出现次数 9、峰度：大于0比标准正太陡，小于0比正太分布平缓 10、偏度：大于0峰值靠右侧，小于0峰值靠左侧 11、Z分位：样本值与样本均值相差多少个标准差（标准差倍数） 12、T分位：Z分位的线性变换（为了数据更好看一些） 二、探索分析 1、正态性检验：样本是否符合正太分布 2、卡方检验：交叉
focal loss
01-10
读Focal Loss for Dense Object Detection这篇论文 做的一个总结讲解ppt
yolov3 pytorch版本代码解析——损失函数compute_loss
qq_37470452的博客
03-10 3519
先贴一下其它教程 1.github源码版本： https://github.com/ultralytics 2.pytorch版本yolov3训练自己的数据： https://www.cnblogs.com/pprp/p/10863496.html 这个链接最下方还有 详细cfg文件讲解：https://pprp.github.io/2018/09/20/YOLO%20cfg%E6%9...
YOLO v3损失函数
ysh1026的博客
02-14 284
def loss_layer(self, conv, pred, label, bboxes, anchors, stride): conv_shape = tf.shape(conv) batch_size = conv_shape[0] output_size = conv_shape[1] input_size = stride * output_size conv = tf.reshape(conv, ...
改进YOLO系列 | YOLOv7 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU
YOLOv8项目贡献者
02-14 6253
所有IoU方式已经通过判断语句实现了融合 新增MPDIoU🍀🍀🍀
【YOLO系列】 YOLOv4之Focal Loss损失函数
江湖小Jay的博客
01-15 1181
Focal Loss损失函数何凯明大神在RetinaNet网络中提出来的，主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的比重，也可以理解为一种困难样本的挖掘。它通过调整标准的交叉熵损失函数，使得模型在训练过程中更加关注难以分类的样本。作者认为one-stage和two-stage的表现差异主要原因是大量前景背景类别不平衡导致。作者设计了一个简单密集型网络RetinaNet来训练，在保证速度的同时达到了精度最优。
yolov5开启focal loss
m0_48095841的博客
06-09 3987
YOLOv5 启用focal loss
背景区域为负样本什么意思_样本贡献不均：Focal Loss和 Gradient Harmonizing Mechanism...
weixin_39877182的博客
11-24 201
本文主要介绍两个在目标检测中解决正负样本不平衡问题的方法，分别是发表在ICCV 2017上的Focal Loss for Dense Object Detection和AAAI 2019上的Gradient Harmonized Single-stage Detector。这两种方法都是通过调整每个样本的loss来解决不平衡问题。这两种方法都是针对目标检测任务提出的，首先简要的介绍下背景。目标检测...
使用CIOU作为YOLOv3的定位损失，focal loss作为分类损失
gggi520的博客
12-19 758
def box_ciou(b1, b2): """ 输入为： ---------- b1: tensor, shape=(batch, feat_w, feat_h, anchor_num, 4), xywh b2: tensor, shape=(batch, feat_w, feat_h, anchor_num, 4), xywh 返回为： ------- ciou: tensor, shape=(batch, feat_w, feat_h, a
睿智的目标检测60——Tensorflow2 Focal loss详解与在YoloV4当中的实现
Bubbliiiing的学习小课堂
08-07 4401
睿智的目标检测61——Tensorflow2 Focal loss详解与在YoloV4当中的实现学习前言什么是Focal Loss一、控制正负样本的权重二、控制容易分类和难分类样本的权重三、两种权重控制方法合并实现方式 学习前言 TF2的也补上咯。其实和Keras的一摸一样0 0。 什么是Focal Loss Focal Loss是一种Loss计算方案。其具有两个重要的特点。 1、控制正负样本的权重 2、控制容易分类和难分类样本的权重 正负样本的概念如下： 目标检测本质上是进行密集采样，在一张图像生成成千
Focal Loss
小花生的博客
03-18 5298
Focal Loss 论文：《Focal Loss for Dense Object Detection》 问题： 目前主流的检测算法分为两个方向：（1）以R-CNN系列为代表的two-stage方向；（2）以YOLO系列为代表的one-stage方向。虽然one-stage方向的速度更快，但是其精度往往比较低。究其原因，有两个方面： 1）正样本（Positive Example）和负样本（N...
yolov5用VFloss替换Focal loss
qq_33589446的博客
03-16 1253
作者针对密集目标，提出了一种可同时表示对象存在置信度和定位精度的 IACS，用于预测密集的物体检测器，并设计了一个新的损失函数，称为 Varifocal损失，用于训练密集的物体检测器来预测 IACS。同时，设计了一种新的高效星形边界框特征表示，用于估算 IACS和改进粗略边界框。结合这两个新组件和边界框优化分支，在 FCOS架构上构建了一个新的密集目标检测器 VarifocalNet。 使用方法：在loss.py相关位置替换Focal loss改写即可。
yolo v8中dfl_loss越低越怎么样
03-17
在YOLOv8中，DFL（Detection Focal Loss）是一种用于目标检测任务的损失函数。DFL_loss越低表示模型在目标检测任务中的性能越好。 具体来说，DFL_loss是通过计算每个预测框与真实框之间的差异来评估模型的准确性。...
评论 5
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