【目标检测】损失函数：不同损失函数概念及其代码实现

最新推荐文章于 2024-05-30 17:26:19 发布
最新推荐文章于 2024-05-30 17:26:19 发布
阅读量3k 收藏 66
点赞数 56
分类专栏： 目标检测 文章标签： 目标检测 损失函数
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_43676259/article/details/135644084
版权

本篇文章介绍目标检测中不同的损失函数概念及其代码实现。目标检测主要任务为实现目标的分类与定位，其损失组成如下：

  • 类别/置信度损失（分类任务）：BCE，FL，QFL，VFL
  • 位置损失（回归任务)：IoU，GIoU，DIoU，CIoU，DFL(分类)

本文目录

类别/置信度损失

BCE

  二值交叉熵(Binary Cross-Entropy, BCE)是一种应用于二分类任务中的损失函数，用于衡量目标类别预测值和实际值之间的差距，其计算公式如下：
B C E ( y , p ) = − y log ⁡ ( p ) − ( 1 − y ) log ⁡ ( 1 − p ) {BCE}(y,p) = - y\log (p) - (1 - y)\log (1 - p) BCE(y,p)=−ylog(p)−(1−y)log(1−p)
其中 y y y表示目标的实际类别，值为0或1， p p p为目标的预测类别，值为[0，1]，进一步地，BCE Loss可表示为以下形式：
B C E ( p t ) = − l o g ( p t ) {BCE}(p_t) = - log (p_t) BCE(pt​)=−log(pt​)
p t = { p ， y = 1 1 − p ， o t h e r w i s e   p_t= \begin{cases} p，y=1 \\ 1-p，otherwise\ \end{cases} pt​={p，y=11−p，otherwise ​
针对多类别任务，可通过独热编码将其分解为多个二分类任务的组合再使用BCE Loss。
  BCE在PyTorch中的实现如下所示：

'''
函数实现:
	binary_cross_entropy_with_logits:Sigmoid + BCE
	binary_cross_entropy: BCE
'''
torch.nn.functional.binary_cross_entropy_with_logits(
						input=None,  # 预测值
						target=None,  # 实际标签
						weight=None,  # 对每个样本的损失进行加权
						size_average=None,  # 已弃用
						reduce=None,       # 不使用
						pos_weight=None,  # 正样本的损失加权(长度等于类数)
						reduction='mean'  # 所有样本的损失求平均(mean)或求和(sum)
						)
'''
类实现(调用上面的函数实现损失计算)
'''
torch.nn.BCEWithLogitsLoss(weight,pos_weight,reduction)

Focal Loss

  Focal Loss(FL)由文章Focal Loss for Dense Object Detection提出。Focal Loss在BCE Loss的基础上，通过权重系数实现以下两点目的：

  • 解决正负样本不平衡问题：目标检测任务中存在大量的背景(负样本)，实际目标(正样本)占比减少
    B C E ( p t ) = − α t l o g ( p t ) {BCE}(p_t) = - α_tlog (p_t) BCE(pt​)=−αt​log(pt​)
    α t = { α ， y = 1 1 − α ， o t h e r w i s e   α_t= \begin{cases} α，y=1 \\ 1-α，otherwise\ \end{cases} αt​={α，y=11−α，otherwise ​
    其中 α α α用于控制正负样本的权重。
  • 降低易分类样本的权重：使模型训练更加关注于困难样本
    F L ( p t ) = − ( 1 − p t ) γ l o g ( p t ) {FL}(p_t) = -(1-p_t)^γlog (p_t) FL(pt​)=−(1−pt​)γlog(pt​)
    其中 γ γ γ用于控制难易分类样本的权重， p t p_t pt​越大，则该样本越易分类，则对损失的贡献越小。
      结合以上两点，得到最终的Focal Loss公式如下：
    F L ( p t ) = − α t ( 1 − p t ) γ l o g ( p t ) {FL}(p_t) = -α_t(1-p_t)^γlog (p_t) FL(pt​)=−αt​(1−pt​)γlog(pt​)

F L ( y , p ) = − α ( 1 − p ) γ y log ⁡ ( p ) − ( 1 − α ) p γ ( 1 − y ) log ⁡ ( 1 − p ) {FL}(y,p) = - α(1-p)^γy\log (p) -(1-α) p^γ(1 - y)\log (1 - p) FL(y,p)=−α(1−p)γylog(p)−(1−α)pγ(1−y)log(1−p)

  Focal Loss的实现方法如下：

class FocalLoss(nn.Module):
    '''
    用在代替原来的BCEcls(分类损失)和BCEobj(置信度损失)
    优点:
        1.解决了单阶段目标检测中图片正负样本(前景和背景)不均衡的问题;
        2.降低简单样本的权重, 使损失函数更关注困难样本
    '''
    def __init__(self, loss_fcn, gamma=1.5, alpha=0.25):
        super(FocalLoss, self).__init__()
        self.loss_fcn = loss_fcn  # 必须为nn.BCEWithLogitsLoss = sigmoid + BCELoss
        self.gamma = gamma  # 参数γ用于削弱简单样本对loss的贡献程度
        self.alpha = alpha  # 参数α用于平衡正负样本个数不均衡的问题
        self.reduction = loss_fcn.reduction
        self.loss_fcn.reduction = 'none'  # focalloss中的BCE函数的reduction='none', 需要将focal loss应用到每个样本中

    def forward(self, pred, true):
        loss = self.loss_fcn(pred, true)  # BCE(p_t) = -log(p_t)
        pred_prob = torch.sigmoid(pred)
        p_t = true * pred_prob + (1 - true) * (1 - pred_prob)  # p_t
        alpha_factor = true * self.alpha + (1 - true) * (1 - self.alpha)  # α_t
        modulating_factor = (1.0 - p_t) ** self.gamma  # (1-p_t)^γ
        
        loss *= alpha_factor * modulating_factor  # 损失乘上系数

        # 最后选择focalloss返回的类型 默认是mean
        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:  # 'none'
            return loss

Quality Focal Loss

  Quality Focal Loss(QFL)由文章Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection提出，其与Focal Loss的主要不同为：

  • 将分类分数与检测框IoU结合，提出一种与IoU关联的软标签，将目标实际标签变为连续值
    • soft ont-hot label(iou label)：IoU值表示该类别，0表示其他类别
    • ont-hot label(catgory label)：1表示该类别，0表示其他类别
  • 修改了Focal Loss中的难易样本分类权重，用实际标签与预测标签的距离表征样本的分类难易度

  Quality Focal Loss公式如下：
Q F L ( y , p ) = − ∣ y − p ∣ γ ( α y log ⁡ ( p ) − ( 1 − α ) ( 1 − y ) log ⁡ ( 1 − p ) ) {QFL}(y,p) = - |y-p|^γ(αy\log (p) -(1-α)(1 - y)\log (1 - p)) QFL(y,p)=−∣y−p∣γ(αylog(p)−(1−α)(1−y)log(1−p))
其中p表示目标的soft ont-hot label(iou label)，超参数 γ 、 α γ、α γ、α与Focal Loss中概念一致， y y y与 p p p越接近，则该样本越易分类，对损失的贡献则越小。
  Quality Focal Loss实现方法如下：

class QualityFocalLoss(nn.Module):
	'''
	相比Focal Loss的变化：
		1.以目标与预测结果的IoU作为实际标签(软标签)
		2.修改了难易样本的权重计算方法
	'''
    def __init__(self, loss_fcn, gamma=1.5, alpha=0.25):
        super(QFocalLoss, self).__init__()
        self.loss_fcn = loss_fcn  # 必须为 nn.BCEWithLogitsLoss() = BCE + Sigmoid
        self.gamma = gamma  # 参数γ用于削弱简单样本对loss的贡献程度
        self.alpha = alpha  # 参数α用于平衡正负样本个数不均衡的问题
        self.reduction = loss_fcn.reduction
        self.loss_fcn.reduction = 'none'

    def forward(self, pred, true):
        loss = self.loss_fcn(pred, true)  # loss = -log(p_t)

        pred_prob = torch.sigmoid(pred)
        alpha_factor = true * self.alpha + (1 - true) * (1 - self.alpha)  # α_t
        modulating_factor = torch.abs(true - pred_prob) ** self.gamma  # |y-p|^γ
        loss *= alpha_factor * modulating_factor  # 损失乘上系数

        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:  # 'none'
            return loss

VariFocal Loss

  VariFocal Loss(VFL)由文章VarifocalNet: An IoU-aware Dense Object Detector提出，其与Focal Loss的主要不同为：

  • Focal Loss针对正样本和负样本均进行难易分类样本抑制，降低了正样本质量；VariFocal Loss仅针对负样本进行难易分类样本抑制
  • 使用Quality Focal Loss中的软标签以及难易样本分类权重

  VariFocal Loss公式如下：

V F L ( y , p ) = { − y ( y l o g ( p ) + ( 1 − y ) l o g ( 1 − p ) ) ， y > 0 α p γ l o g ( 1 − p ) ， y = 0   VFL(y,p)= \begin{cases} -y(ylog(p)+(1-y)log(1-p))，y>0 \\ αp^γlog(1-p)，y=0\ \end{cases} VFL(y,p)={−y(ylog(p)+(1−y)log(1−p))，y>0αpγlog(1−p)，y=0 ​
其中 γ γ γ用于减少易分类负样本对损失的贡献， α α α用于防止过度抑制。
  VariFocal Loss的实现代码如下：

class VariFocalLoss(nn.Module):
    '''
    相比Focal Loss的变化:
        仅针对负样本进行难易分类度抑制
    '''
    def __init__(self, loss_fcn, gamma=1.5, alpha=0.75):
        super(VariFocalLoss, self).__init__()
        self.loss_fcn = loss_fcn  # 必须为 nn.BCEWithLogitsLoss()=BCE+sigmoid
        self.gamma = gamma  # 参数gamma 用于负样本中削弱简单样本对loss的贡献程度
        self.alpha = alpha  # 参数alpha 用于防止对负样本的过度抑制
        self.reduction = loss_fcn.reduction
        self.loss_fcn.reduction = 'none'

    def forward(self, pred, true):
        loss = self.loss_fcn(pred, true)  # loss = -log(p_t)

        pred_prob = torch.sigmoid(pred)
        focal_weight = self.alpha * torch.abs(pred_prob - true) ** self.gamma  # 负样本系数αp^γ
        indics = torch.where(true > 0.0)  # 正样本索引
        for i in range(len(indics[0])):  # 正样本系数替换为y
            focal_weight[indics[0][i], indics[1][i]] = true[indics[0][i], indics[1][i]]
        loss *= focal_weight  # 损失乘上系数

        # 最后选择focalloss返回的类型 默认是mean
        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:  # 'none'
            return loss

位置损失

IoU Loss

  IoU即交并比，用于衡量预测边框与实际边框之间的差距，其计算公式如下：
I o U = ∣ A ∩ B ∣ ∣ A ∪ B ∣ [ 0 , 1 ] IoU = {{|A \cap B|} \over {|A \cup B|}} [0,1] IoU=∣A∪B∣∣A∩B∣​[0,1]
其中 A ∩ B A \cap B A∩B表示边框A和B的交集面积， A ∩ B A \cap B A∩B表示边框A和B的并集面积。
  进一步地，IoU Loss表示为：
L I o U = 1 − I o U L_{IoU} = 1 - IoU LIoU​=1−IoU
  IoU计算方法如下：

def bbox_iou(box1,box2,xywh=True):
    # 将xywh坐标形式转换成xyxy(左上角右下角)坐标形式
    if xywh:  # transform from xywh to xyxy
        (x1, y1, w1, h1), (x2, y2, w2, h2) = box1.chunk(4, -1), box2.chunk(4, -1)
        w1_, h1_, w2_, h2_ = w1 / 2, h1 / 2, w2 / 2, h2 / 2
        b1_x1, b1_x2, b1_y1, b1_y2 = x1 - w1_, x1 + w1_, y1 - h1_, y1 + h1_
        b2_x1, b2_x2, b2_y1, b2_y2 = x2 - w2_, x2 + w2_, y2 - h2_, y2 + h2_
     
    # 计算交集面积
    inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)
    # 计算并集面积
    union = w1 * h1 + w2 * h2 - inter + eps
    # 计算IoU
    iou = inter / union
	return iou

GIoU Loss

  GIoU由文章Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression提出，其计算公式如下：
G I o U = I o U − ∣ C − A ∩ B ∣ ∣ C ∣ [ − 1 , 1 ] GIoU = IoU-{{|C - A \cap B|} \over {|C|}} [-1,1] GIoU=IoU−∣C∣∣C−A∩B∣​[−1,1]
其中C表示A和B的最小包围矩形框。
  相比于IoU，GIoU不仅考虑重叠区域，也考虑非重叠区域，能更好的反映两者的重合度。
  进一步地，IoU Loss表示为：
L G I o U = 1 − G I o U L_{GIoU} = 1 - GIoU LGIoU​=1−GIoU
  GIoU计算方法如下：

def bbox_giou(box1,box2,xywh=True):
    # 将xywh坐标形式转换成xyxy(左上角右下角)坐标形式
    if xywh:  # transform from xywh to xyxy
        (x1, y1, w1, h1), (x2, y2, w2, h2) = box1.chunk(4, -1), box2.chunk(4, -1)
        w1_, h1_, w2_, h2_ = w1 / 2, h1 / 2, w2 / 2, h2 / 2
        b1_x1, b1_x2, b1_y1, b1_y2 = x1 - w1_, x1 + w1_, y1 - h1_, y1 + h1_
        b2_x1, b2_x2, b2_y1, b2_y2 = x2 - w2_, x2 + w2_, y2 - h2_, y2 + h2_


    # 计算交集面积
    inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)

    # 计算并集面积
    union = w1 * h1 + w2 * h2 - inter + eps

    # 计算IoU
    iou = inter / union
    cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)  # 最小包围矩形框宽度
    ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)  # 最小包围矩形框高度
    c_area = cw * ch + eps  # 最小包围矩形框面积
    giou = iou - (c_area - union) / c_area
    return giou

DIoU Loss

  DIoU由文章Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression提出，其计算公式如下：
D I o U = I o U − ρ 2 ( b , b g t ) c 2 DIoU = IoU - {{{\rho ^2}(b,{b^{gt}})} \over {{c^2}}} DIoU=IoU−c2ρ2(b,bgt)​
其中 b b b, b g t b^{gt} bgt分别表示预测框和实际框的中心点坐标， ρ ρ ρ表示两者的欧式距离， c c c表示最小包围矩形框的对角线长度。
  相比于IoU和GIoU，DIoU不仅考虑两者之间的重合度，还考虑两者之间的距离。
  进一步地，DIoU Loss表示为：
L D I o U = 1 − D I o U L_{DIoU} = 1 - DIoU LDIoU​=1−DIoU
  DIoU计算方法如下：

def bbox_diou(box1, box2, xywh=True):
    '''
    计算Iou/GIou/DIou/CIou
    '''
    # Returns Intersection over Union (IoU) of box1(1,4) to box2(n,4)

    # 将xywh坐标形式转换成xyxy(左上角右下角)坐标形式
    if xywh:  # transform from xywh to xyxy
        (x1, y1, w1, h1), (x2, y2, w2, h2) = box1.chunk(4, -1), box2.chunk(4, -1)
        w1_, h1_, w2_, h2_ = w1 / 2, h1 / 2, w2 / 2, h2 / 2
        b1_x1, b1_x2, b1_y1, b1_y2 = x1 - w1_, x1 + w1_, y1 - h1_, y1 + h1_
        b2_x1, b2_x2, b2_y1, b2_y2 = x2 - w2_, x2 + w2_, y2 - h2_, y2 + h2_


    # 计算交集面积
    inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)

    # 计算并集面积
    union = w1 * h1 + w2 * h2 - inter + eps
    # 计算IoU
    iou = inter / union	
    
    cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)  # 最小包围矩形框宽度
    ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)  # 最小包围矩形框高度
    c2 = cw ** 2 + ch ** 2  # 最小包围矩形框对角线长度的平方
    rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4  # 矩形框中心点距离的平方
    diou = iou - rho2 / c2

    return diou

CIOU Loss

  CIOU也由DIOU作者在同一篇论文中提出，在DIOU基础上，CIOU考虑矩形框之间的高宽比，其计算公式如下：
D I o U = I o U − ( ρ 2 ( b , b g t ) c 2 + α v ) DIoU = IoU - ({{{\rho ^2}(b,{b^{gt}})} \over {{c^2}}}+αv) DIoU=IoU−(c2ρ2(b,bgt)​+αv)

v = 4 π 2 ( arctan ⁡ w g t h g t − arctan ⁡ w h ) 2 {v = {4 \over {{\pi ^2}}}{{(\arctan {{{w^{gt}}} \over {{h^{gt}}}} - \arctan {w \over h})}^2}} v=π24​(arctanhgtwgt​−arctanhw​)2

α = v ( 1 − I o U ) + v {\alpha = {v \over {(1 - IoU) + v}}} α=(1−IoU)+vv​

其中 ( w g t , h g t ) (w^{gt},h^{gt}) (wgt,hgt)， ( w , h ) (w,h) (w,h)分别表示实际边框与预测边框的宽和高。
  进一步地，CIoU Loss表示为：
L D I o U = 1 − C I o U L_{DIoU} = 1 - CIoU LDIoU​=1−CIoU
  CIoU计算方法如下：

def bbox_ciou(box1, box2, xywh=True):
    '''
    计算Iou/GIou/DIou/CIou
    '''
    # Returns Intersection over Union (IoU) of box1(1,4) to box2(n,4)

    # 将xywh坐标形式转换成xyxy(左上角右下角)坐标形式
    if xywh:  # transform from xywh to xyxy
        (x1, y1, w1, h1), (x2, y2, w2, h2) = box1.chunk(4, -1), box2.chunk(4, -1)
        w1_, h1_, w2_, h2_ = w1 / 2, h1 / 2, w2 / 2, h2 / 2
        b1_x1, b1_x2, b1_y1, b1_y2 = x1 - w1_, x1 + w1_, y1 - h1_, y1 + h1_
        b2_x1, b2_x2, b2_y1, b2_y2 = x2 - w2_, x2 + w2_, y2 - h2_, y2 + h2_


    # 计算交集面积
    inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)

    # 计算并集面积
    union = w1 * h1 + w2 * h2 - inter + eps
    # 计算IoU
    iou = inter / union	
    
    cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)  # 最小包围矩形框宽度
    ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)  # 最小包围矩形框高度
    c2 = cw ** 2 + ch ** 2  # 最小包围矩形框对角线长度的平方
    rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4  # 矩形框中心点距离的平方
    v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2)
	alpha = v / (v - iou + (1 + 1e-7))
	ciou - (rho2 / c2 + v * alpha)
    return ciou

Distribution Focal Loss

  Distribution Focal Loss(DFL)由QFL作者在同一篇文章Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection中提出，针对目标受遮挡时边界模糊问题，其将目标检测中边框回归任务 ( l e f t , t o p , r i g h t , b o t t o m ) (left, top, right, bottom) (left,top,right,bottom)转换为分类任务，将标签预测转换为序列预测，预测信息变化如图1所示(图来源于DFL论文)，序列面积之和即为所需结果。假设某目标 l e f t left left预测结果为序列 { y 0 , y 1 , y 2 , . . . , y n − 1 } , y i ⊆ [ 0 , 1.0 ] \{y_0,y_1,y_2,...,y_{n-1}\},y_i\subseteq [0,1.0] {y0​,y1​,y2​,...,yn−1​},yi​⊆[0,1.0]，则转换为：
l e f t = ∑ i = 0 n − 1 i y i left = \sum\limits_{i = 0}^{n-1} {i{y_i}} left=i=0∑n−1​iyi​
在这里插入图片描述

a 标签预测

在这里插入图片描述

b 序列预测
图1 边框信息分布预测
  不同的序列分布可能得到相同的预测结果，如图2(图来源于DFL论文)所示，希望得到中(3)的分布序列，中间值尽可能靠近实际标签，为实现该序列的预测，作者提出DFL损失。

在这里插入图片描述

图2 不同的分布情况

  Distribution Focal Loss公式如下：
D F L ( y i , y i + 1 ) = − ( i + 1 − y ) log ⁡ ( y i ) − ( y − i ) log ⁡ ( y i + 1 ) DFL({y_i},{y_{i + 1}}) = - (i + 1- y)\log ({y_i}) - (y - i)\log ({y_{i + 1}}) DFL(yi​,yi+1​)=−(i+1−y)log(yi​)−(y−i)log(yi+1​)
其中 y y y为实际标签，且式中变量满足 i ≤ y ≤ i + 1 ( i ⊆ N + ) i≤y≤i+1(i\subseteq N^+) i≤y≤i+1(i⊆N+)， y i , y i + 1 ⊆ [ 0 , 1.0 ] y_i,y_{i+1}\subseteq [0,1.0] yi​,yi+1​⊆[0,1.0]

  Distribution Focal Loss的实现方法如下：

class DistributionFocalLoss(nn.Module):
    '''
	将目标边框回归预测转换为序列分类任务
    '''
    def __init__(self, reg_max):
        super(DistributionFocalLoss, self).__init__()
		self.reg_max = reg_max # 预测序列点数

    def forward(self, pred, true):
    	'''
    	pred: [num_points, reg_max]
    	true: [num_gt, 4] 4->(ltrb)(输入图像绝对坐标)
    	'''
  		tl = true.long()  # target left(i)
  		tr = tl + 1  # target right (i+1)
  		wl = tr - true  # i+1-y
  		wr = 1 - wl # y-i
  		# -(i+1-y)log(y_i) - (y-i)log(y_i+1)
  		dfl = (F.cross_entropy(pred, tl.view(-1), reduction='none').view(tl.shape) * wl  + 
  			   F.cross_entropy(pred, tr.view(-1), reduction='none').view(tl.shape) * wr).mean(-1,keepdim=True)
初初初夏_
关注
  • 56
    点赞
  • 踩
  • 66
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
基于Pytorch的YOLO-v3-tiny实现代码
10-24
总的来说，这个基于PyTorch的YOLOv3-tiny实现涵盖了深度学习、目标检测、特征提取、数据处理等多个方面的知识，对于理解实时目标检测系统及其在PyTorch中的实现具有重要价值。通过深入研究这个项目，开发者可以更好...
论文实现：使用PyTorch实施一些经典框架
02-05
CNN是计算机视觉任务的核心，如图像分类、目标检测等。两层CNN通常包括卷积层（Convolutional Layer）用于特征提取，池化层（Pooling Layer）用于减少计算量并保持关键信息，以及全连接层（Fully Connected Layer）...
目标检测常用类别损失函数和位置损失函数
m0_64229606的博客
08-22 718
ρ表示预测框和标注框中心端的距离，p和g是两个框的中心点，c表示两个框的最小包围矩形框的对角线长度。对于概率分布为p(X)的随机变量X,熵可以表示为： 当X分布的不确定性越大，对应的熵越大（对应log(x)积分面积），反之，熵越小。C表示两个框的最小包围矩形框，当两个框没有重叠区域时，IoU为0，但R依然会产生损失。v度量了两个框的长宽比的距离，α相当于一个平衡系数，取值由IoU和v共同决定。对典型的交叉信息熵损失函数的改进，主要用于样本分类的不平衡问题。均方误差损失，指预测值和真实值之差的平方的平均值。
YOLOv9(4): DFL（Distribution Focal Loss）
最新发布
tecsai的博客
05-30 973
DFL最早在论文Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection中被提及，在YOLOv8中就已经在使用。 DFL的作者认为，在很多时候，检测目标的边界并不是一个确切的值，而是一个分布。
YOLO损失函数——SIoU和Focal Lossr损失函数解析
知来者逆的博客
05-15 1326
在深度学习的目标检测领域，损失函数扮演着至关重要的角色，它们不仅衡量模型预测与实际标注之间的差异，还引导模型参数的优化方向。SIoU (Shape-Aware IoU) 损失是一种用于边界框回归的先进损失函数，它综合考虑了形状、距离和纵横比的对齐，以提升模型的收敛速度和预测准确性。SIoU损失通过结合角度成本、距离成本、形状成本和IoU成本，优化了边界框的定位精度。
【论文阅读】Generalized Focal Loss的解读。交叉熵、Focal Loss、Quality Focal Loss、Distribution Focal Loss
magic_ll的博客
07-17 2521
最后，我们将QFL和DFL的公式总结为一个统一的视角，称为 Generalized Focal Loss(GFL)，作为FL的一个灵活的扩展，以促进未来进一步的推广和普遍的理解。专注于一组稀疏的困难样本的同时，对相应的类别进行连续的0∼1质量估计。举例子：5分类的任务，第1类别的分类标签onehot应为 [0,1,0,0,0]，当前训练时检测框和对应标签框的iou为0.65，则此时分类的标签不再使用 [0,1,0,0,0]，而是使用分类-iou联合表示：[0,0.65,0,0,0]。
目标检测损失函数
alex1801
12-08 6038
损失由两部分组成，分别是类别误差损失以及定位误差损失。 1、分类损失 采用一个二分类的softmax loss用来做分类，分类损失如下： 其中，Sj为最后一层的softmax输出，T为类别数，yi为对应的真值标记。 2、smooth L1 Loss 常用的L1、L2损失定义如下： smooth L1 用来做回归，公式如下： 其中x、y、w、h分别为目标的中心点及宽高，ti为真值、ui为对...
YOLOv8详解:损失函数、Anchor-Free、样本分配策略；以及与v5的对比
qq_41848886的博客
08-16 3万+
v8的损失函数、Anchor-Free、样本分配策略介绍，以及和v5的对比
【目标检测】59、损失函数 | 分类检测分割中的损失函数和评价指标
呆呆的猫的博客
01-02 5723
本文详细介绍目标检测、语义分割、图像分类中的各类损失函数和评价指标
目标检测模型中的几个损失值
qq_52832321的博客
03-08 3243
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。
目标检测中的损失函数汇总
senbinyu的博客
08-31 7959
和图像分割中将损失函数分为基于分布，基于区域以及基于边界的损失函数不一样，目标检测经常可以认为由2类最基础的损失，分类损失和回归损失而组成。 分类损失 CE loss，交叉熵损失 交叉熵损失，二分类损失（binary CE loss）是它的一种极端情况. 在机器学习部分就有介绍它。 如下图所示,y是真实标签，a是预测标签，一般可通过sigmoid，softmax得到，x是样本，n是样本数目，和对数似然等价。 focal loss, 用改变loss的方式来缓解样本的不平衡，因为改变loss只影响t
PR2018:论文“低秩分析指导自适应学习的视频显着性检测”的源代码-Source code learning
03-25
通过阅读和分析代码，我们可以了解到具体实现细节，如网络结构、损失函数的选择、训练策略等，这对于进一步理解低秩分析如何与深度学习结合以及如何应用于视频显著性检测具有重要价值。 在实际应用中，这个方法可以...
第十四章_超参数调整1
08-03
在本章中，我们将深入探讨超参数的概念及其对神经网络的影响。 首先，超参数与模型参数是两个不同的概念。模型参数，如神经网络中的权重和偏置，是通过训练数据学习得到的。而超参数是在训练之前设定的，对模型结构...
faster-rcnn代码
12-07
2. **损失函数**：设置损失函数来衡量预测框和真实框的差距，包括分类损失和回归损失。 3. **优化器**：选择合适的优化算法（如SGD或Adam）进行参数更新。 4. **训练流程**：实现数据预处理、训练循环和验证步骤。 5...
Python-使用TensorFlow进行年龄和性别检测
08-11
对于多分类问题，交叉熵（Cross-Entropy）损失函数通常被用作模型的优化目标。优化器的选择会影响模型的训练速度和性能，如Adam、SGD等都是常见的选择。 5. **模型训练**： 使用训练数据集对模型进行迭代训练，...
MDNet代码及注释(pytorch版)
11-17
3. **损失函数(Loss Function)**：MDNet的训练可能涉及到特定的目标检测损失，例如交叉熵损失（CrossEntropyLoss）或平滑L1损失（SmoothL1Loss），用于衡量模型预测与真实目标位置的差异。 4. **优化器(Optimizer)*...
关于Focal loss损失函数的代码实现
Lian_Ge_Blog的博客
08-09 5303
解决正负样本不均衡，难易样本不均衡的Focal loss损失函数代码实现
损失函数 | BCE Loss（Binary CrossEntropy Loss）
热门推荐
Just_do_myself的博客
03-10 11万+
BCE（Binary CrossEntropy）损失函数图像二分类问题--->多标签分类Sigmoid和Softmax的本质及其相应的损失函数和任务多标签分类任务的损失函数BCEPytorch的BCE代码和示例总结 图像二分类问题—>多标签分类 二分类是每个AI初学者接触的问题，例如猫狗分类、垃圾邮件分类…在二分类中，我们只有两种样本（正样本和负样本），一般正样本的标签y=1，负样本的标签y=0。比如下边这张图片，判断里边有没有人。 那么这张图片的标签为y=1，这时我们就根据标签y=1来设计模型
目标检测中回归损失函数（L1Loss,L2Loss,Smooth L1Loss,IOU,GIOU,DIOU,CIOU,EIOU,αIOU ,SIOU)
zyw2002的博客
03-04 5082
为了解决CIoU的问题，有学者在CIOU的基础上将纵横比拆开，提出了EIOU Loss，并且加入Focal聚焦优质的预测框，与CIoU相似的，EIoU是损失函数的解决方案，只用于训练。在错误率小的地方，梯度的值也应当小，反之在错误率大的地方，梯度也应当大，因为这时候我们需要对错误率小的情况进行微调，而错误率大的地方进行大刀阔斧的调整；如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。DIoU的作者考虑到，在两个框中心点重合时，c与d的值都不变。
yolov8s损失函数优化
10-04
YOLOv8使用了多个损失函数来进行优化，其中包括VFL Loss作为分类损失，以及DFL Loss和CIOU Loss作为回归损失。VFL Loss用于分类目标的预测，DFL Loss用于进一步提高回归的准确性，而CIOU Loss则是一种改进的IoU损失函数，用于衡量预测框与真实框的相似度。 CIOU损失函数是一种基于IoU的改进方法，通过引入边界框的中心点距离和宽高差异来提高IoU的鲁棒性。它与传统的IoU损失函数相比，能够更好地处理不重叠的情况，并且在目标检测中取得了显著的效果提升。 因此，通过使用VFL Loss、DFL Loss和CIOU Loss作为损失函数，YOLOv8能够在目标检测任务中获得更准确的预测结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

初初初夏_

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