yolopose笔记

ultralytics\yolo\v8\pose\train.py中计算损失函数的function是“compute_loss”，进入PoseLoss类中

sigmas指定每个关键点分配的权重，sigmas值越小会使loss越大，也就是越希望哪个点准，越应该把该点的sigmas值调小。进行人体关键点观测时默认用OKS_SIGMA，定义在yolo\utils\metrics.py中，OKS_SIGMA = np.array([.26, .25, .25, .35, .35, .79, .79, .72, .72, .62, .62, 1.07, 1.07, .87, .87, .89, .89]) / 10.0，否则所有点赋予同样的权重。

 KeypointLoss计算1-OKS：

 PoseLoss类中__call__定义了cls、box、kpts、kpts_conf的计算。其中kpts_conf采用BCE。关键点置信度是基于该关键点的可见性标志进行训练的。如果一个关键点是可见的或被遮挡的，那么ground truth置信度被设置为1否则如果它在视野之外，置信度被设置为0。在推理过程中，我们保留置信度大于0.5的关键点。所有其他预测的关键点都被拒绝。预测关键点置信度不用于评估。然而，由于网络预测了每个检测的所有17个关键点，我们需要过滤掉视野之外的关键点。否则，就会出现悬空的关键点，导致骨骼变形。

DFL损失函数的主要作用是用于图像风格迁移中,通过计算两张图片的特征差异来实现风格的转移，默认是不使用的。

 

四种损失通过超参数进行平衡。ultralytics\ultralytics\yolo\cfg\default.yaml中对该参数进行了设置：

 

 

 

参考：YOLO Pose 代码拆解——Loss篇 - 知乎