yolov4损失函数,yolov1损失函数
YOLOv4出现后不久，YOLOv5就诞生了。YOLOv5在YOLOV4算法的基础上做了进一步的改进，检测性能得到了进一步的提升。本文主要介绍YOLOV5代码详解关于损失函数计算的相关信息，有需要的可以参考一下。
00-1010摘要：1、仓位损失2、信心损失和类损失汇总
目录
神经网络训练的主要过程包括将图像输入神经网络，获得模型的输出结果，计算模型输出与真实值的损失，计算损失值的梯度，最后用梯度下降算法更新模型参数。损失函数值的计算是关键的一步。
本博客将对yolov5损失值的计算过程代码的实现做一个简单的了解。
def compute_loss(p，targets，model): #预测，目标，模型
设备=目标设备
lcls，lbox，lobj=torch.zeros(1，设备=设备)，torch.zeros(1，设备=设备)，torch.zeros(1，设备=设备)
tcls，tbox，indices，anchors=build_targets(p，targets，model) # targets
h=model.hyp #超参数
#定义标准
BCEcls=nn。BCEWithLogitsLoss(pos _ weight=torch。张量([h[cls_pw]))。至(设备)
BCEobj=nn。BCEWithLogitsLoss(pos _ weight=torch。张量([h[obj_pw]))。至(设备)
#分类标签平滑https://arxiv.org/pdf/1902.04103.pdf公式3
cp，cn=smooth_BCE(eps=0.0)
#焦点损失
g=h[fl_gamma] #焦点损失gamma
如果g 0:
BCEcls，BCEobj=FocalLoss(BCEcls，g)，FocalLoss(BCEobj，g)。
Yolov5代码用IOU索引评估目标框和预测框的位置损失。Yolov5代码用nn评估目标盒和预测盒的类损失和置信度损失。BCEWithLogitsLoss或FocalLoss。
Yolov5码用长宽比选择真实帧对应的预测帧，每个真实帧对应三个预测帧。
摘要：
Yolov5代码使用IOU值来评估预测盒和真实盒的位置损失。本文介绍了CIoU指数。
以下公式截图3360
公式中参数所代表的含义如下：
IOU:预测盒和真实盒的呼叫和联合比率
v是衡量长宽比一致性的参数，我们也可以定义为：
代码实现：
iou=bbox_iou(pbox。t，tbox[i]，x1y1x2y2=False，CIoU=True) # iou(预测，目标)
lbox=(1.0 - iou)。平均值()# iou损失
def bbox_iou(box1，box2，x1 y1 x2 y 2=真，GIoU=假，欧弟=假，CIoU=假，eps=1e-9):
#返回box1至box2的IoU。盒子1是4，盒子2是nx4
box2=box2。T
#获取边界框的坐标
如果x1y1x2y2: # x1，y1，x2，y2=box1
b1_x1，b1_y1，b1_x2，b1_y2=box1[0]，box1[1]，box1[2]，box1[3]
b2_x1, b2_y1, b2_x2, b2_y2 = box2[0], box2[1], box2[2], box2[3]
else: # transform from xywh to xyxy
b1_x1, b1_x2 = box1[0] - box1[2] / 2, box1[0] + box1[2] / 2
b1_y1, b1_y2 = box1[1] - box1[3] / 2, box1[1] + box1[3] / 2
b2_x1, b2_x2 = box2[0] - box2[2] / 2, box2[0] + box2[2] / 2
b2_y1, b2_y2 = box2[1] - box2[3] / 2, box2[1] + box2[3] / 2
# Intersection area
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)
# Union Area
w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1 + eps
w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1 + eps
union = w1 * h1 + w2 * h2 - inter + eps
iou = inter / union
if GIoU or DIoU or CIoU:
cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1) # convex (smallest enclosing box) width
ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1) # convex height
if CIoU or DIoU: # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1
c2 = cw ** 2 + ch ** 2 + eps # convex diagonal squared
rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 +
(b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4 # center distance squared
if DIoU:
return iou - rho2 / c2 # DIoU
elif CIoU: # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47
v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2)
with torch.no_grad():
alpha = v / ((1 + eps) - iou + v)
return iou - (rho2 / c2 + v * alpha) # CIoU
else: # GIoU https://arxiv.org/pdf/1902.09630.pdf
c_area = cw * ch + eps # convex area
return iou - (c_area - union) / c_area # GIoU
else:
return iou # IoU
2、置信度损失和类损失
yolov5代码用nn.BCEWithLogitsLoss或FocalLoss评价目标框和预测框的类损失和置信度损失,本节一一介绍这两个损失函数。
- nn.BCEWithLogitsLoss:
首先对预测输出作sigmoid变换,然后求变换后的结果与真实值的二值交叉熵.
假设预测输出是3分类,预测输出:
预测输出sigmoid变换:
假设真实输出是:
两者的二值交叉熵的计算方法:
接口函数验证下上面的结果:
- FocalLoss损失:
FocalLoss损失考虑的是:目标检测中正负样本严重不均衡的一种策略。该损失函数的设计思想类似于boosting，降低容易分类的样本对损失函数的影响，注重较难分类的样本的训练.
简而言之,FocalLoss更加关注的是比较难分的样本,何谓难分?若某一个真实类预测的概率只有0.2,我们认为它比较难分,相反若该真实类的预测概率是0.95,则容易分类.
FocalLoss通过提高难分类别的损失函数来实现,公式如下:
图像如下:
可以看出预测真实类概率越大,则损失函数越小,即实现了之前的想法.
为了能够平衡正负样本的重要性,我们可以给各个类别添加一个权重常数 α ,比如想使正样本初始权重为0.8，负样本就为0.2.
代码实现为:
class FocalLoss(nn.Module):# Wraps focal loss around existing loss_fcn(), i.e. criteria = FocalLoss(nn.BCEWithLogitsLoss(), gamma=1.5)
def __init__(self, loss_fcn, gamma=1.5, alpha=0.25):
super(FocalLoss, self).__init__()
self.loss_fcn = loss_fcn # must be nn.BCEWithLogitsLoss()
self.gamma = gamma
self.alpha = alpha
self.reduction = loss_fcn.reduction
self.loss_fcn.reduction = none # required to apply FL to each element
def forward(self, pred, true):
loss = self.loss_fcn(pred, true)
# p_t = torch.exp(-loss)
# loss *= self.alpha * (1.000001 - p_t) ** self.gamma # non-zero power for gradient stability
# TF implementation https://github.com/tensorflow/addons/blob/v0.7.1/tensorflow_addons/losses/focal_loss.py
pred_prob = torch.sigmoid(pred) # prob from logits
p_t = true * pred_prob + (1 - true) * (1 - pred_prob)
alpha_factor = true * self.alpha + (1 - true) * (1 - self.alpha)
modulating_factor = (1.0 - p_t) ** self.gamma
loss *= alpha_factor * modulating_factor
if self.reduction == mean:
return loss.mean()
elif self.reduction == sum:
return loss.sum()
else: # none
return loss
其中成员函数loss_fcn为nn.BCEWithLogitsLoss。
总结
到此这篇关于YOLOV5代码详解之损失函数计算的文章就介绍到这了,更多相关YOLOV5损失函数计算内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。