YOLOv11改进 | 损失函数改进篇 | QualityFocalLoss质量焦点损失（含代码 + 详细修改教程）

已于 2024-11-05 00:51:37 修改
阅读量1.6k 收藏 21
点赞数 18
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 深度学习 目标检测 计算机视觉 人工智能 python YOLOv11
于 2024-11-05 00:51:27 首次发布
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.youkuaiyun.com/java1314777/article/details/143497105
版权

  一、本文介绍

本文给大家带来的改进机制是QualityFocalLoss，其是一种CLS分类损失函数，它的主要创新是将目标的定位质量（如边界框与真实对象的重叠度量，例如IoU得分）直接融合到分类损失中，形成一个联合表示。这种方法能够解决传统目标检测中分类与定位任务之间存在的不一致性问题。QFL通过为每个类别的得分赋予根据定位质量调整的权重，使得检测模型在训练过程中能够更加关注那些难以定位或分类的样本。

在开始之前给大家推荐一下我的专栏，本专栏每周更新3-10篇最新前沿机制 | 包括二次创新全网无重复，以及融合改进(大家拿到之后添加另外一个改进机制在你的数据集上实现涨点即可撰写论文)，还有各种前沿顶会改进机制 |，更有包含我所有附赠的文件（文件内集成我所有的改进机制全部注册完毕可以直接运行）和交流群和视频讲解提供给大家。  

欢迎大家订阅我的专栏一起学习YOLO！  

 专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

目录

  一、本文介绍

二、Quality Focal Loss原理

2.1 Quality Focal Loss的基本原理

2.2 联合表示法

2.3 连续标签支持

2.4 动态调整难度

三、核心代码

三、使用方式 

3.1 修改一

了解本专栏 订阅专栏 解锁全文
芒果YOLOv8改进62：分类损失函数Loss篇QualityFocal：即插即用｜最新改进QualityFocal损失函数，学习更好的分类分数和定位质量的联合表示，提升YOLOv8检测精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
07-02 1046
YOLOv8 + QualityFocal 代码实践，学习更好的分类分数和定位质量的联合表示🍊
YOLOv8改进 | 损失函数篇 | QualityFocalLoss质量焦点损失（含代码 + 详细修改教程）
Snu77的博客
01-23 5924
本文给大家带来的改进机制是，其是一种CLS分类损失函数，它的主要创新是将目标的定位质量（如边界框与真实对象的重叠度量，例如IoU得分）直接融合到分类损失中，形成一个联合表示。这种方法能够解决传统目标检测中分类与定位任务之间存在的不一致性问题。QFL通过为每个类别的得分赋予根据定位质量调整的权重，使得检测模型在训练过程中能够更加关注那些难以定位或分类的样本。欢迎大家订阅我的专栏一起学习YOLO！YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制。
YOLOv11-Wiou v3损失函数优化
最新发布
m0_57201440的博客
05-13 789
修改ultralytics/utils/tal.py部分中的iou_calculation函数，使其调用WIoU函数。将其添加至ultralytics/utils/metrics.py，并修改bbox_iou函数。修改ultraytics/utils/loss.py中的BboxLoss函数，iou部分改为。
YOLOv8改进 | 损失函数篇 | QualityFocalLoss质量焦点损失
走向CTO的路上...
09-06 975
QFL是一种改进的Focal Loss损失函数，它通过考虑目标的定位质量来调整Focal Loss的权重，可以更加有效地引导模型学习高质量的目标预测框。QFL可以应用于各种目标检测任务，尤其是对定位精度要求较高的场景。
Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU
酸菜鱼Cc的博客
03-27 566
Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU
Yolo v8 改进损失函数：Focal-loss
Phoebee_c的博客
07-26 1万+
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。self.alpha[1:] += (1 - alpha) # α 最终为 [ α, 1-α, 1-α, 1-α, 1-α, ...] size:[num_classes]focal_loss损失函数, -α(1-yi)**γ *ce_loss(xi,yi)
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 1658
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，
YOLOv8改进 | 损失函数篇 | 更加聚焦的边界框损失Focaler-IoU、InnerFocalerIoU（二次创新）
Snu77的博客
02-01 6435
本文给大家带来的改进机制是更加聚焦的边界框损失已经我进行二次创新的InnerFocalerIoU同时本文的内容支持现阶段的百分之九十以上的IoU，比如Focaler-IoU、Focaler-ShapeIoU、Innner-Focaler-ShapeIoU包含非常全的损失函数，边界框的损失函数只看这一篇就够了。
YOLOv11改进 | 损失函数篇 | YOLOv11引入引MPDIoU, GIoU,DIoU, CIoU, SIoU,EIoU, WIoU, LMPDIoU等损失函数
tsg6698的博客
10-04 3621
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~1. YOLOv11中添加MPDIoU, GIoU,DIoU, CIoU, SIoU等损失函数的方式。文件中用给出的代码替换掉。
YOLOv10改进 | 损失函数篇 | QualityFocalLoss质量焦点损失（含代码 + 详细修改教程）
Snu77的博客
07-10 1169
本文给大家带来的改进机制是，其是一种CLS分类损失函数，它的主要创新是将目标的定位质量（如边界框与真实对象的重叠度量，例如IoU得分）直接融合到分类损失中形成一个联合表示。这种方法能够解决传统目标检测中分类与定位任务之间存在的不一致性问题。QFL通过为每个类别的得分赋予根据定位质量调整的权重，使得检测模型在训练过程中能够更加关注那些难以定位或分类的样本。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
热门推荐
Snu77的博客
11-05 5万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
芒果YOLOv8改进24：多种损失函数IoU篇：FocalLoss结合变种IoU套装：包含Focal-EIoU｜Focal-SIoU｜Focal-CIoU、GIoU等，YOLOv8 模型高效涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-02 2425
YOLOv8代码实践｜多种IoU变种套装
quality focal loss & distribute focal loss 详解（paper, 代码）
蓝羽飞鸟的博客
01-10 1万+
QFL， DFL
YOLOv9改进策略【损失函数篇】| Slide Loss，解决简单样本和困难样本之间的不平衡问题
Limiiiing的博客
08-24 2101
本文记录的是改进YOLOv9的损失函数，将其替换成Slide Loss，并详细说明了优化原因，注意事项等。Slide Loss函数可以有效地解决样本不平衡问题，为困难样本赋予更高的权重，使模型在训练过程中更加关注困难样本。若是在自己的数据集中发现容易样本的数量非常大，而困难样本相对稀疏，可尝试使用Slide Loss来提高模型在处理复杂样本时的性能。
YOLOv9改进策略【损失函数篇】| 通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)
Limiiiing的博客
09-20 1092
为了弥补现有 IoU 损失在不同检测任务中泛化性弱和收敛速度慢的问题，·Inner-IoU·通过引入比例因子 “ratio” 来控制辅助边界框的尺度大小，利用不同尺度的辅助边界框来计算损失，从而加速边界框回归过程。
VarifocalLoss 源码实现解读及其在 Yolov8 中的应用
Jiangnan_Cai的博客
09-12 3955
解读 varifocal loss 的源码，加深理解
YOLOv9改进策略【损失函数篇】| Shape-IoU：考虑边界框形状和尺度的更精确度量
Limiiiing的博客
09-18 1770
本文记录的是改进YOLOv9的损失函数，将其替换成Shape-IoU。现有边界框回归方法通常考虑GT（Ground Truth）框与预测框之间的几何关系，通过边界框的相对位置和形状计算损失，但忽略了边界框本身的形状和尺度等固有属性对边界框回归的影响。为了弥补现有研究的不足，Shape-IoU提出了一种关注边界框本身形状和尺度的边界框回归方法。
YOLOv5改进GFL损失函数：连续化焦点损失提升计算机视觉模型的性能
IlgCrystal的博客
09-14 268
实验结果表明，使用连续化焦点损失的模型在处理困难样本和类别不平衡问题时性能明显优于传统的焦点损失模型。焦点损失（Focal Loss）是一种针对目标检测任务设计的损失函数，通过减小易分类样本的权重，提高难分类样本的权重，从而解决类别不平衡问题。本文提出了一种改进的损失函数——连续化焦点损失，将焦点损失从离散形式推广到连续形式，用于解决目标检测任务中的困难样本和类别不平衡问题。连续化焦点损失通过对焦点损失函数的参数进行连续化，使其能够对连续的样本分布进行建模。
Yolov8修改损失函数
小嘤熊的博客
01-04 7661
(这里可以使用Focus的思想，如果想使用则在下面的红框内添加Foucs=True即可,Focus一般情况下精度会更高，但也有个别的例外)③找到文件ultralytics/utils/tal.py，在这个文件中找到如下的代码块，这里已经修改完了(这里不要开启Focus，如果步骤二开启这里也不要开启，同时现在修改了，如果你想要使用inner就设置inner为True，举例如果你使用WIoU，如果不设置inner则此时为WIoU，如果你设置inner为True，那么此时使用的就是inner_WIoU)
yolov8loss改进
03-10
### 改进YOLOv8损失函数的方法 对于YOLOv8而言，改进损失函数可以显著影响模型的检测精度和鲁棒性。考虑到不同应用场景的需求差异，在选择或设计损失函数时需综合考量多个因素。 #### 1. 结合多尺度特征图进行分层加权计算 通过引入多尺度特征图上的分层权重机制，使得网络能够更好地处理大小不同的目标对象。这种策略有助于缓解因目标尺寸差异带来的定位误差问题[^2]。 #### 2. 引入边界框回归中的IoU Loss变体 传统均方差(MSE)损失用于边界框位置预测存在局限性，尤其是在面对重叠区域较大的情况下表现不佳。采用基于交并比(IoU)及其衍生形式（CIoU/GIoU/DIoU等）作为新的度量标准，则可以在一定程度上改善这一状况，使模型学习到更加精确的目标边界的表示方式。 #### 3. 调整分类分支与定位分支之间的平衡因子 适当调整两个子任务间的重要性比例系数α，可有效解决类别不平衡现象以及由此引发的小样本类目欠拟合等问题。合理设置该参数不仅有利于整体性能提升，也能促进各部分协同工作效果最优化。 ```python def compute_loss(predictions, targets): # 假设predictions和targets已经预处理好 loss_cls = F.binary_cross_entropy_with_logits(pred_class_scores, target_classes) loss_box = ciou_loss(predicted_boxes, ground_truth_boxes) total_loss = alpha * loss_cls + (1 - alpha) * loss_box return total_loss ``` #### 4. 利用软标签平滑技术减少过拟合风险 当训练集规模有限时，容易发生过拟合情况；此时可在原有硬编码one-hot向量基础上加入一定概率分布构成“软”标签，并以此为基础构建交叉熵损失项。此方法能在保持较高区分度的同时降低噪声干扰程度，从而达到更好的泛化能力[^1]。
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

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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