yolo如何降低loss_为什么 YOLOv3 用了 Focal Loss 后 mAP 反而掉了？

最新推荐文章于 2024-05-15 19:01:29 发布
最新推荐文章于 2024-05-15 19:01:29 发布
阅读量1.9k 收藏 6
点赞数 2
文章标签： yolo如何降低loss
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/weixin_29021195/article/details/112817803
版权

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，即与gt的iou超过0.5就会被ignore。这里要注意的是，如果不超过0.5，则是会被标为负例的。

再看focal loss。focal loss是给困难样本更大的权重，困难样本是那些分类效果不好的点。而在考虑label noise时，分类效果不好的点将由两部分组成，一是标签打错了，二是困难样本。所以focal loss的逻辑会给这两部分样本都更高的权重，因此如果有比较多样本标签打错了，效果就会不好。

我认为在yolo中标签打错了的问题是存在的，即它本来应该是1，但被标成了0，这就和上面说的ignore问题有关。看下面这张图

物体中心落入红色网格内，则只有这个网格的某些anchor会被标为正例，其他所有网格的anchor要么被标为负例要么ignore。蓝色网格里的anchor还比较可能和gt有较大iou，但黄色里的anchor和gt的iou就不太可能超过0.5，于是黄色网格中的anchor都会被标为负例，但实际上这里也有物体，标为负例强行让网络判断为没有物体就不太合适，所以就造成了label noise。

如果我们能把阈值调低，让更多样本被ignore，就能减少误标的情况，从而提高结果。

这是我在跑一个实验中发现的，虽然衡量指标不是map，但结果却是佐证了上述分析的。实验的结果是这样的：原实验是用交叉熵损失，阈值0.5,。如果单独换成focal loss，或者单独将阈值变成0.3，则结果都有微小的下降；但如果同时换focal loss和阈值0.3，则结果有1.5个点的提升。

欢迎大家批评指正~

数据分析师
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YOLOv3 SPP理论详解(包括CIoU及Focal loss)
@bangbang的博客
08-04 736
IoU系列损失的发展历程，首先是从IoU Loss到GIoU Loss到DIoU Loss再到CIoU Loss,其中DIoU Loss 和CIoU Loss是在同一篇论文中讲到的。论文中对比了只在第一个预测特征层加SPP结构以及3个预测特征图都加上了SPP结构，分别是图中深黄色的折线。上面的图像展示了3组矩形框重叠的示例，3组矩形看可以看出最后一幅图的预测效果相对是比较好的，其中绿色的是。，长宽比在DIOU是没有的，新提出来的,在原来DIoU的公式上增加了一项。的边界框，黑色是预测的边界框。.......
yolov3为什么对大目标检测不好_目标检测网络之 YOLOv3
weixin_39622710的博客
12-19 862
本文逐步介绍YOLO v1~v3的设计历程。YOLOv1基本思想YOLO将输入图像分成SxS个格子，若某个物体 Ground truth 的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。每个格子预测B个bounding box及其置信度(confidence score)，以及C个类别概率。bbox信息(x,y,w,h)为物体的中心位置相对格子位置的偏移及宽度和高度,均被归一化....
YOLO系列算法精讲：从yolov1至yolov8的进阶之路（2万字超全整理）
热门推荐
不积跬步，无以至千里！
07-30 25万+
全网YOLO最详讲解，从v1到v5！从小白到大佬！
YOLO损失函数——SIoU和Focal Lossr损失函数解析
知来者逆的博客
05-15 1761
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。
YOLOv9(3):YOLOv9损失（Loss）计算
tecsai的博客
03-14 2188
YOLOv9的Loss计算与YOLOv8如出一辙，仅存在略微的差异。多说一句，数据的预处理和导入方式都是一样的。因此如果你已经对YOLOv8了解的比较透彻，那么对于YOLOv9你也只是需要多关注网络结构就可以。 YOLOv9本身也是Anchor-Free的，同样采用了解耦头。因此其损失计算的关键同样在于“对齐”，即通过TAL方法实现Ground Truth与Pred grid中的Cell进行对齐，然后计算Loss。
【 YOLOv3中Loss部分计算】
weixin_42483745的博客
06-08 1535
YOLOv1是一个anchor-free的，从YOLOv2开始引入了Anchor，在VOC2007数据集上将mAP提升了10个百分点。YOLOv3也继续使用了Anchor，本文主要讲ultralytics版YOLOv3的Loss部分的计算, 实际上这部分loss和原版差距非常大，并且可以通过arc指定loss的构建方式, 如果想看原版的loss可以在下方release的v6中下载源码。Github地址: https://github.com/ultralytics/yolov3Github release:
yolov5 代码解读 损失函数 loss.py
guikunchen的博客
07-04 5914
smooth_BCE def smooth_BCE(eps=0.1): # https://github.com/ultralytics/yolov3/issues/238#issuecomment-598028441 # return positive, negative label smoothing BCE targets return 1.0 - 0.5 * eps, 0.5 * eps 把one-hot label 转换为soft label，一般认为这样更容易work。 BCE
python opencv yolo_OpenCV实现yolov3实时目标检测
weixin_40001275的博客
12-09 324
OpenCV实现yolov3实时目标检测前言这是小白第一次写博客，有什么错误和不严谨的地方还希望大家多多斧正。最近在B站看了一个小哥从youtube搬来的一个视频，自己就照虎画猫跟着敲起了代码，接下来我就给大家介绍一下基本流程步骤，自己也学习学习。OpenCV是一个十分强大的开源跨平台计算机视觉库，同时提供了Python、Ruby、MATLAB等语言的接口，可以运行在Linux、Windows、A...
YOLO-V3-SPP 训练loss计算源码解析之compute_loss
qq_38109282的博客
08-09 1575
前言 理论详解：YOLO-V3-SPP详细解析 该函数需要了解dataloader那边筛选出来的gt，即build_targets函数 compute_loss 主要讲解model的pred和筛选的gt进行loss计算过程，包括正负样本的区分，以及二支交叉熵loss和forcal loss的转换及使用代码，还有关于IOU的计算。 讲解形式结合图文信息，不会那么枯燥，尽量形象点。 源码 def compute_loss(p, targets, model): # predictions, targets,
Yolov8_obb（prob loss) 基于anchor_free的旋转框目标检测，剪枝，跟踪（ByteTracker）
qq_39128381的博客
07-27 2万+
Yolov8_obb（prob loss) 基于anchor_free的旋转框目标检测
Yolov5，支持python3.6版本，目前官方版本为3.8。
06-21
1. **网络架构优化**：YOLOv5采用了更高效的网络结构，如SPP-Block（Spatial Pyramid Pooling）和Focal Loss等，提高了模型对不同尺寸目标的检测能力，同时减少了计算量，提升了速度。 2. **数据增强**：YOLOv5在...
keras-yolo3-master.rar
08-20
本项目"keras-yolo3-master"是一个使用Keras实现的YOLOv3模型，特别针对城市交通目标检测进行训练和应用。Keras是一个高级神经网络API，它允许开发者以简洁明了的方式构建深度学习模型，同时兼容TensorFlow、Theano...
yolov5-obb压壳数据包
08-04
YOLOv5 OBB（Oriented Bound Box）是一种用于对象检测的深度学习模型，它扩展了原始YOLO（You Only Look Once）框架，增加了对倾斜边界框的支持。在传统的对象检测任务中，边界框通常是正方形或矩形，但实际场景中的...
yolov5-obb保姆级教程
06-05
YOLOv5-OBB（Oriented Bound Box）保姆级教程主要涵盖了使用YOLOv5框架进行物体检测，特别是处理倾斜物体的定向边界框（Oriented Bound Box）的训练与应用。YOLO（You Only Look Once）是一种实时目标检测系统，而...
YOLOv5_DOTA_OBB-旋转体识别.zip
08-16
这个模型采用了现代神经网络架构，如SPP-Block（Spatial Pyramid Pooling）、Path Aggregation Network（PANet）和Focal Loss，以提高小目标检测性能和整体精度。YOLOv5的优势在于其快速的推理速度和相对较高的精度...
pi_heif-0.17.0-cp39-cp39-manylinux_2_31_armv7l.whl
最新发布
07-27
pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。pip install 直接安装，无需再下载，直接用。
ubuntu20.04-ssh9.8p1-ssl3.0.14-focal-deb-amd64升级加固脚本.zip
07-27
若有新版本请查看文章最后附件地址：https://blog.csdn.net/liuxin638507/article/details/132450367 特点： 1、同时升级openssh与openssl，采用deb包形式，一键快速升级版本，无需每台单独再次进行编译， 2、隐藏openssh-版本号(openssh9.8p1及之后隐藏版本号还未找到方法) 3、已默认安全加固（已有配置跳过） 安装： 执行 bash upgrade_ssl_ssh_ubuntu.sh 进行安装 注意，升级安装后，确保sshd服务正常，请新开终端进行验证测试 验证 openssl版本： openssl version OpenSSL 3.0.14 4 Jun 2024 (Library: OpenSSL 3.0.14 4 Jun 2024) openssh版本： ssh -V OpenSSH_9.8p1, OpenSSL 3.0.14 4 Jun 2024
avif-0.5.0-cp36-cp36m-manylinux1_i686.whl
07-27
python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！
yolo如何降低loss_如何理解YOLO：YOLO详解
05-13
YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，它可以在一张图像中同时检测出多个物体，并给出它们的位置和类别。 对于YOLO如何降低loss的问题，YOLO的loss函数主要包括两部分：定位误差（Localization Loss）和置信度误差（Confidence Loss）。 定位误差是指检测框与真实框之间的误差，YOLO使用均方差误差（MSE）来计算定位误差。而置信度误差是指检测框与真实框之间的IOU（Intersection over Union）的误差，也就是说，如果检测框与真实框之间的IOU越小，置信度误差就越大，反之亦然。 为了降低loss，YOLO采用了一些技巧，例如：使用全局平均池化（Global Average Pooling）来代替全连接层，减少模型参数；使用多尺度训练（Multi-Scale Training），对不同的尺度进行训练，让模型更加鲁棒；使用Anchor Boxes，对每个物体选择几个不同大小的先验框，使得模型对不同大小的物体有更好的适应性等。 理解YOLO，需要了解YOLO的基本原理和模型结构，以及它的优缺点。YOLO采用了单个神经网络来直接预测每个物体的类别和位置，因此速度快，但是准确率相对较低。与之相比，传统的目标检测算法（如RCNN，Fast RCNN，Faster RCNN）速度较慢，但是准确率较高。因此，在实际应用中，需要根据具体的场景来选择适合的目标检测算法。
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
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