【YOLOv5】损失函数源码解析_yolov5的损失函数-优快云博客

Location loss，定位损失，采用的是CIoU loss，只计算正样本的定位损失。
Objectness loss，置信度损失，采用的依然是BCE loss，正样本的置信度标签为正样本anchor对应的网络预测的bbox与GT框的CIoU。负样本的置信度标签为0
Classes loss，分类损失，采用的是BCE loss，只计算正样本的分类损失

$\text { Loss }=\lambda_{1} \mathrm{~L}_{\mathrm{loc}}+\lambda_{2} \mathrm{~L}_{\mathrm{obj}}+\lambda_{3} \mathrm{~L}_{\mathrm{cls}}$

$\lambda_{1} ,\lambda_{2},\lambda_{3}$ 为损失项权重系数

另外，指针对三个预测特征层（下采样8倍、16倍、32倍）上的置信度损失采用不同的权重。在源码中，针对预测小目标的预测特征层（下采样8倍）采用的权重是4.0，针对预测中等目标的预测特征层（下采样16倍）采用的权重是1.0，针对预测大目标的预测特征层（下采样32倍）采用的权重是0.4

$\mathrm{L_{obj}}=4.0\cdot\mathrm{L_{obj}^{small}}+1.0\cdot\mathrm{L_{obj}^{medium}}+0.4\cdot\mathrm{L_{obj}^{large}}$

具体设计：

损失函数（注：上图没把针对每个特征层的权重画出来）

K x K：网格数量

M：每个网格的anchor数量

$I_{ij}^{obj}$ ：正样本为1，负样本为0

$I_{ij}^{noobj}$ ：正样本为0，负样本为1

正样本定位损失

$2-w_i\times h_i$ ：小框损失惩罚项，简单来说就是让小框的损失系数变大。主要原因是如果该没有惩罚项，大框的损失会很轻易大于小框，因此当框越大，这个惩罚项越小；框越小，这个惩罚项越大。该惩罚项可以使得大框与小框的损失尽量保持平衡

$CIoU$ ：正样本anchor对应的预测框bbox与anchor匹配到的GT框的