【目标检测】YOLOv8算法实现(二)：正样本匹配(TaskAlignedAssigner)和损失计算

  本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码Github，删减了源码中部分内容，满足个人科研需求。
  本篇文章在YOLOv5算法实现的基础上，进一步完成YOLOv8算法的实现。YOLOv8相比于YOLOv5，最主要的不同之处如下：

• 模型结构：将YOLOv5中的CSP模块替换为C2f模块，将Detect(耦合头 + Anchor-based)模块替换为Detect模块(解耦头 + Anchor-free + DFL)
• 正样本匹配：采用TaskAlignedAssigner分配策略
• 损失计算：
  • 类别损失：二值交叉熵损失
  • 位置损失：Distribution Focal Loss(DFL) + CIOU Loss
  • 置信度损失：YOLOv8不预测模型的目标置信度，不再使用该损失

YOLOv8算法实现(一)：模型搭建
YOLOv8算法实现(二)：正样本匹配(TaskAlignedAssigner)与损失计算

0 引言

  YOLOv8的正样本匹配和损失计算流程如图1所示。

YOLOv8损失计算流程

1 正样本匹配

  YOLOv8基于TaskAlignedAssigner分配策略实现正样本的匹配，其匹配过程如下：

1. 对齐分数计算，得到实际目标类别标签gt_labels在所有预测类别分数pred_labels中对应的分数$s$，计算目标位置标签gt_bboxes和所有位置预测信息pred_bboxes的CIoU值$u$，计算对齐分数：
   $$t=s^{\alpha }+u^{\beta }$$
   其中$\alpha$和$\beta$为权重超参数；
2. 初筛正样本，选取中心点在gt_bboxes内的预测点作为正样本匹配位置；
3. 精选正样本，根据对齐分数$t$在初步筛选的正样本中进一步选取$topK$个预测点作为正样本匹配位置；
4. 过滤正样本，若一个预测点匹配到多个gt_bboxs，则选取具有最大CIoU的gt作为该预测点匹配的正样本；

2 损失计算

  YOLOv8的损失计算方法如下:

• 类别损失(仅计算正样本)：BCE Loss(基于对齐分数$t$和$CIoU$的soft ont-shot)
  $$y=t\times CIo{U}_{\max }/t_{\max }$$
  YOLOv8中采用基于对齐分数$t$和$CIoU$的soft labels，如上式所示。
  $$ClsLoss(y,p)=\sum _{\mathrm{i}=0}^{na}(-y_i\log (\sigma (p_i))-(1-y_i)\log (\sigma (p_i)))/\sum _i^{na}{y}_i$$
  $na$表示所有正样本匹配预测点
• 位置损失(仅计算正样本)
  $$PosLoss=CIoULoss+DFL$$
  $$CIoULoss=\sum _i$$