YOLOv3损失函数使用BCEloss

最新推荐文章于 2024-07-27 17:29:13 发布

Chosen_ one

最新推荐文章于 2024-07-27 17:29:13 发布

阅读量851

点赞数

文章标签：深度学习 pytorch 机器学习计算机视觉

本文链接：https://blog.csdn.net/weixin_42825527/article/details/121787774

版权

在Bubbliiiing的yolov3代码中，计算loss值

loss_x = torch.sum(self.BCELoss(x, y_true[..., 0]) * box_loss_scale * y_true[..., 4])
loss_y = torch.sum(self.BCELoss(y, y_true[..., 1]) * box_loss_scale * y_true[..., 4])

采用的是BCEloss
这是因为使用均方误差MSE的话，会有梯度消失的问题。

当h趋近于0时或者趋近于1时，该Loss的导数都会趋近为0，从而造成梯度消失现象。

参考逻辑回归损失函数不使用MSE的原因

梯度消失

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Chosen_ one

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
3
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

YOLOv8改进 | 损失函数篇 | SlideLoss、FocalLoss分类损失函数助力细节涨点(全网最全)

Snu77的博客

01-09

7805

本文给大家带来的是分类损失SlideLoss、VFLoss、FocalLoss损失函数，我们之前看那的那些IoU都是边界框回归损失，和本文的修改内容并不冲突，所以大家可以知道损失函数分为两种一种是分类损失另一种是边界框回归损失，上一篇文章里面我们总结了过去百分之九十的边界框回归损失的使用方法，本文我们就来介绍几种市面上流行的和最新的分类损失函数，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制

【YOLOv8 代码解读】所有任务Loss损失代码梳理

m0_51579041的博客

03-26

1万+

【YOLOv8 代码解读】所有任务Loss损失代码梳理

3 条评论您还未登录，请先登录后发表或查看评论

YOLO的损失函数

fighter_zzh的博客

09-03

2948

yolo的损失函数，面试的时候被问到了。之前确实式看过，但是忘记了，三项一共答出来两项。昨天一直拖着不想弄，事实上每一次的面试也是一次进步的机会。主要是yolov3论文里没有提到具体的损失函数。那我就从pytorch那边来简单的分析下yolov3的损失函数把。 #顾名思义这里的x，y，z，w都是采用的最小均方差来评判误差 #位置损失 ...

基于源码详解yolov3的loss【注释满满】

Just_do_myself的博客

03-12

6505

二分类损失 - BCELoss详解

最新发布

weixin_47552266的博客

07-27

1407

BCELoss (Binary Cross-Entropy Loss) 是用于二分类问题的损失函数。它用于评估预测值和实际标签之间的差异。在 PyTorch 中，BCELoss是一个常用的损失函数。以下是 BCELoss 的详细计算过程和代码实现。

【从零开始学习YOLOv3】8. YOLOv3中Loss部分计算

pprp的博客

03-29

2878

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。 Githu...

yolov5 损失函数

李昂的博客

01-02

6182

作为一款尖端、最先进的（SOTA）车型，YOLOv8在之前版本的成功基础上，引入了新的功能和改进，以增强性能、灵活性和效率。当预测边框和真是边框的中心点重合时，DIOU退化成了传统IOU，综合了IOU的面积损失、和DIOU的中心点损失和自身宽高比损失三种优势。（2）对比IOU损失，L2和Giou具有偏离趋势度量的能力，当IOU=0时，交和不交的损失是一样的，L2和GIOU就不会这样。2、对于网络的3个头的输出匹配正样本，筛选GT和anchor符合条件的高宽比，大于就是正样本反就是负样本。

从源码解析YOLOv3的损失函数

人生虚空

12-17

7123

损失函数源码参考这里yolo_layer.c 本文参考这里和这里 yolo_layer.c中的delta指的是对网络层原始输出y'的负梯度, delta=-gradient总的来说,loss可分为loss_obj, loss_noobj, loss_cls, loss_coor4个部分, 前3个部分都用到了BCE(binary cross entropy)(网上很多复现的代码中, 损失和原文是有...

yolov5 代码解读 损失函数 loss.py

guikunchen的博客

07-04

5936

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

【YOLOv9改进[损失函数]】使用结合InnerIoU和Focaler的各种损失函数助力YOLOv9更优秀

静谧、淡雅

04-12

1429

使用结合InnerIoU和Focaler的各种损失函数助力YOLOv9更优秀

YOLOv10改进 | 损失函数篇 | SlideLoss、FocalLoss、VFLoss分类损失函数助力细节涨点(全网最全)

Snu77的博客

07-10

507

本文给大家带来的是分类损失损失函数，我们之前看那的那些IoU都是边界框回归损失，和本文的修改内容并不冲突，所以大家可以知道损失函数分为两种一种是分类损失另一种是边界框回归损失，上一篇文章里面我们总结了过去百分之九十的边界框回归损失的使用方法，本文我们就来介绍几种市面上流行的和最新的分类损失函数，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，

YOLOv3 模型相关的信息

轮子去哪儿了

08-14

235

文章目录1. print(model)2. print(model.yolo_layers) # 模型中的三个yolo 层3. print(yolo.metrics) # yolo 层的指标 1. print(model) model = Darknet(opt.model_def) 显示如下 Darknet( (module_list): ModuleList( (0): ...

YOLOv8详解:损失函数、Anchor-Free、样本分配策略；以及与v5的对比

热门推荐

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

yolov7检测算法Loss总结

geek0105的博客

03-17

5644

总结了常见的目标检测Loss，包括BCEBlurWithLogitsLoss，FocalLoss，QFocalLoss，

yolov5--loss.py --v5.0版本-最新代码详细解释-2021-7-1更新

菊头蝙蝠的博客

07-01

5433

yolov5--loss.py简述简述训练target生成和损失计算过程简述代码流程代码部分ComputeLoss中 init 部分ComputeLoss中build_targetsComputeLoss中 call 部分简述简述训练target生成和损失计算过程简述代码流程在train.py中 1.训练前实例化损失类 compute_loss = ComputeLoss(model) #

[深度学习][转载]yolov5中3个损失函数含义

FL1623863129的博客

02-22

4160

在代码中，这几个模型的结构基本一样，不同的是模型深度（depth_multiple）和模型宽度（width_multiple）两个参数。通过这些损失函数，YOLOv5可以非常准确的识别图像中的目标，并定位到目标的具体位置。，指的是模型预测的目标框bounding box与GTbox的CIOU，计算的是所有样本，仍然采用的是BCE loss；，有助于确保模型能够准确地定位对象，只计算正负样本的定位损失，采用CIOU loss；，只计算正负样本的分类损失，采用的是BCE loss；1.2 loss函数。

yolov5 loss函数理解

athrunsunny的博客

12-17

6255

不同于IOU匹配，yolov5采用基于宽高比例的匹配策略，GT的宽高与anchors的宽高对应相除得到ratio1，anchors的宽高与GT的宽高对应相除得到ratio2，取ratio1和ratio2的最大值作为最后的宽高比，该宽高比和设定阈值（默认为4）比较，小于设定阈值的anchor则为匹配到的anchor。2、Objectness loss，obj置信度损失，采用BCE loss，计算的是所有样本的obj损失。1、Classes loss，分类损失，采用BCE loss，只计算正样本的分类损失。

yolov5-runs文件中对train结果的说明

qq_45305490的博客

06-10

1万+

yolov5中train结果说明

yolo算法的优缺点分析_深度学习算法工程师面经(微软、阿里、商汤、滴滴、华为、海康、平安、陌陌等offer)之下篇...

weixin_39992660的博客

01-03

1009

2020届应届渣硕，基于实习和秋招的面试，拿到了微软、阿里、商汤、滴滴、华为、海康、平安、陌陌等offer，下面总结一些经验，希望对大家有所帮助，有问题之处也可以随时指出。如果侵犯公司隐私，烦请告知，此文仅做分享之用。最开始是以公司为单位进行总结，实习经验可以参考这里。算法工程师实习面经（按公司）github.com 后面我发现，各公司面试问题存在较多重复，于是...

yolov8损失函数bce

05-27

YOLOv8是一种用于目标检测的神经网络模型，而bce指的是二元交叉熵损失函数（Binary Cross Entropy Loss），是YOLOv8模型中用于衡量预测框与真实框之间差距的一种常见损失函数。具体来说，bce损失函数是将预测结果...