【YOLOv8改进-损失函数】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数

YOLO目标检测创新改进与实战案例专栏

专栏目录： YOLO有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLO基础解析+创新改进+实战案例

前言

在介绍YOLOv8中的各种Iou之前，我们先来了解了解目标检测中的损失函数。

目标检测模型通常包含两类损失函数：类别损失（分类）和位置损失（回归）。这两类损失函数用于检测模型的最后一部分，根据模型的输出（类别和位置）以及实际标注框（类别和位置），分别计算类别损失和位置损失。

类别损失（Classification Loss）

类别损失用于衡量预测的类别概率分布与真实类别标签之间的差异。常见的类别损失函数包括：

1. 交叉熵损失（Cross-Entropy Loss）：

   • 这是使用最广泛的分类损失函数，特别适用于多分类问题。
   • 公式如下：
     Cross-Entropy = − 1 N ∑ i = 1 N ∑ c = 1 C y i c log ⁡ ( y ^ i