Yolo v8 改进损失函数：Focal-loss

最新推荐文章于 2025-03-19 21:31:27 发布

Phoebee_c

最新推荐文章于 2025-03-19 21:31:27 发布

阅读量1w

点赞数 7

CC 4.0 BY-SA版权

分类专栏： YOLO 文章标签： YOLO 人工智能机器学习

本文链接：https://blog.youkuaiyun.com/Phoebee_c/article/details/131938776

文章介绍了在Yolov8模型中遇到的对于难分类样本（如垃圾、垃圾桶）检测效果不佳的问题。作者尝试使用FocalLoss来改善这种情况，因为FocalLoss能有效处理类别不平衡问题。在实现过程中，作者在loss.py文件中添加了自定义的FocalLoss类，并修改了DetectionLoss类以使用FocalLoss代替原来的交叉熵损失。虽然遇到了类型错误，但通过将标签转换为int64解决了这个问题，从而能够正常进行训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Yolo v8的损失函数使用的是交叉熵损失函数。但是对于难分类的样本检测效果较差，如垃圾、垃圾桶。

Focal Loss 是一种用于解决类别不平衡问题的损失函数，因此尝试将其引入v8结构。

ps：原本v8的loss.py文件中自带了focal loss的函数，但是调用自带代码，报错。原因未知。因此，尝试重新修改Focal-loss部分的代码，并记录过程：

1、找到yolo/utils/loss.py

2、添加新的focal_loss的代码

class FocalLoss(nn.Module):
    def __init__(self, alpha=None, gamma=2, num_classes=80, size_average=True):
        """
        focal_loss损失函数, -α(1-yi)**γ *ce_loss(xi,yi)
        步骤详细的实现了 focal_loss损失函数.
        :param alpha:   阿尔法α,类别权重.      当α是列表时,为各类别权重,当α为常数时,类别权重为[α, 1-α, 1-α, ....],常用于 目标检测算法中抑制背景类 , retainnet中设置为0.25
        :param gamma:   伽马γ,难易样本调节参数. retainnet中设置为2
        :param num_classes:     类别数量
        :param size_average:    损失计算方式,默认取均值
        """
        super(FocalLoss, self).__init__()
        self.size_average = size_average
        if alpha is None:
            self.alph