Webgl实现PCF软阴影并移植到Cesium

最新推荐文章于 2025-05-10 16:05:09 发布

LikeGis100Y

最新推荐文章于 2025-05-10 16:05:09 发布

阅读量505

点赞数 5

文章标签： webgl

本文链接：https://blog.youkuaiyun.com/qq_52254412/article/details/140049326

版权

承接上文的需求 MSAA效果不是很好

想到软阴影技术要实现的效果和我的目标类似

尝试一下

先简单介绍一下PCF

硬阴影即只是简单的根据深度纹理在片元着色器进行深度判断

对光源看不到主相机却能看到的区域判断为阴影区域

这样可以实现阴影效果但受限于深度纹理的分辨率通常效果上会有很多锯齿

PCF 就是一种简单的实现软阴影的方法

和卷积有点类似就是以目标像素点为中心划分一定邻域判断邻域内位于阴影区域的像素的比例

按照这个比例来设定阴影系数以实现一定的平滑过渡效果

下图是使用了PCF 的效果

可以看到有效的减少了锯齿

即使主相机距离较远也能保持较好的效果

下图阴影的锯齿明显要少许多可以说PCF是最简单的软阴影实现方式了

下面上代码参考了文章

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

LikeGis100Y

关注关注

5
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

基于FocalLoss与SlideLoss的YOLOv8分类损失函数改进及性能分析【YOLOv8】

步入烟尘的博客

12-02

1344

YOLOv8 继承了 YOLO 系列的主要特征，即高速、轻量、适合实时检测任务。新的 Backbone：更加轻量和高效的网络结构。新的 Head：更好的分类和回归能力。优化的 Anchor-free 设计：减少计算量。更高的训练效率：结合新损失函数和优化器，使得模型在较少的训练时间内获得更高的精度。但要在现有基础上进一步提升，优化损失函数是一个重要手段。FocalLoss 是为了解决类别不平衡问题而提出的。传统交叉熵对难样本和易样本的权重相同，导致在大量易样本下，模型更倾向于学习易样本而忽略难样本。

参与评论您还未登录，请先登录后发表或查看评论

YOLOv8损失函数改进：SlideLoss与FocalLoss的性能提升分析

shrgegrb的博客

04-15

1050

在YOLOv8中，损失函数的设计是多任务学习的核心。分类损失（Classification Loss）：用于目标类别的预测。边界框回归损失（Box Regression Loss）：用于边界框的定位。物体置信度损失（Object Confidence Loss）：用于判断边界框内是否包含目标。这些损失函数共同作用，使得YOLOv8在速度和精度上都达到了一个新的高度。YOLOv8的损失函数改进是其性能提升的重要原因之一。

YOLOv8 损失函数优化：SlideLoss 和 FocalLoss 的创新应用与效果评估

shrgegrb的博客

04-17

878

在 YOLOv8 中，损失函数主要由分类损失、边界框回归损失和目标置信度损失组成。分类损失用于确定目标所属类别，边界框回归损失用于精确定位目标位置，目标置信度损失则用于判断边界框内是否包含目标。这些损失函数相互配合，共同指导模型的训练过程，使其能够准确地识别和定位各种目标。本文详细介绍了 YOLOv8 中 SlideLoss 和 FocalLoss 分类损失函数的改进及其在细节上助力模型涨点的作用。通过深入分析这两种损失函数的原理和代码实现，我们展示了它们在提升 YOLOv8 模型性能方面的优势。

YOLOv8改进 | 损失函数篇：SlideLoss与FocalLoss的细节优化与应用【YOLOv8】

步入烟尘的博客

12-02

1286

YOLOv8改进 | 损失函数优化篇：SlideLoss与FocalLoss助力精细检测提升【YOLOv8】

步入烟尘的博客

12-01

1696

分类损失：用于判断目标的类别。定位损失：用于回归预测框的坐标。置信度损失：用于判断预测框中是否有目标。默认情况下，YOLOv8采用的分类损失函数为交叉熵损失（Cross-Entropy Loss）。尽管它表现优异，但在面对不平衡样本时可能会导致分类精度下降。因此，我们可以通过引入FocalLoss和SlideLoss来缓解这一问题。本文探讨了在YOLOv8模型中通过引入和优化FocalLoss和SlideLoss来提升检测性能的策略。

YOLOv8改进 | 损失函数篇 | SlideLoss、FocalLoss分类损失函数助力细节涨点(全网最全)

走向CTO的路上...

09-22

1305

本篇介绍了YOLOv8模型及其改进，特别关注损失函数。我们将介绍SlideLoss和FocalLoss，这两种分类损失函数可以帮助提高YOLOv8模型的精度，尤其是对于小物体和低置信度物体。我们将解释这些损失函数背后的原理，讨论它们的应用场景，提供代码实现，并探讨它们的影响和未来方向。本篇介绍了SlideLoss和FocalLoss两种分类损失函数，并解释了它们如何帮助提高YOLOv8模型在目标检测任务上的精度，尤其是对于小物体和低置信度物体。影响。

YOLOv8性能提升秘籍 | SlideLoss与FocalLoss分类损失函数的深度解析与实战应用【附保姆级代码】

一键难忘的博客

10-05

3487

分类损失边界框回归损失和置信度损失。其中，分类损失负责衡量预测类别与真实类别之间的差异。默认情况下，YOLOv8采用的是交叉熵损失函数或二值交叉熵损失（BCE），但在一些复杂场景下，默认的分类损失函数不足以捕捉到模型与真实值的细微差异。为了解决这个问题，我们可以引入SlideLoss和FocalLoss来改进分类损失。这两者在平衡正负样本、处理不平衡数据和捕捉复杂样本方面有明显优势。本文深入探讨了如何通过改进 YOLOv8 的分类损失函数来提升模型性能，特别是引入了FocalLoss和SlideLoss。

基于SlideLoss与FocalLoss优化的YOLOv8目标检测性能提升研究【YOLOv8】

步入烟尘的博客

12-03

982

YOLOv11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

11-04

1865

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，

国内警车检测数据集VOC+YOLO格式2874张1类别

FL1623863129的博客

05-10

125

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["policecar"]policecar 框数 = 3765。图片数量(jpg文件个数)：2874。标注数量(xml文件个数)：2874。标注数量(txt文件个数)：2874。使用标注工具：labelImg。标注规则：对类别进行画矩形框。

计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践

知来者逆的博客

05-01

2640

YOLO11模型是专门为边缘设备优化的目标检测模型，与YOLOv8相比，它在显著降低模型复杂度（最多降低37%）的同时，仍保持了较高的检测精度（约85%的平均精度均值）。这种优化使得YOLO11能够在资源受限的树莓派上实现高效的实时目标检测，为边缘设备上的复杂计算机视觉任务提供了可能。其轻量级的模型结构和高效的推理性能，使其成为在树莓派上部署目标检测应用的首选模型之一。

物品识别树莓派4 YOLO v11

最新发布

caoyongsheng的博客

05-10

210

下面这条命令将安装 OpenCV 以及运行 YOLO 所需的基础设施。安装完毕，接着，打开Thonny，切换到常规模式。官方PyPI源在2025年Q1出现过区域性访问故障。用 Thonny 创建个文件 yolo.py。树莓派换清华源，bookworm。还会安装大量其他软件包，容易失败。如果安装失败（会显示一大片红色）如果有问题，再用这个装一下。点一下绿色 Run 按钮。可以识别身边的一些物品。

更改YOLO标注名称脚本

2301_80317247的博客

05-08

186

将上面的代码保存为一个Python文件，例如修改代码中的和变量，使其指向你的实际文件夹路径运行程序。

（四）YOLO_World-SAM-GraspNet的mujoco抓取仿真（操作记录）

ou1531037815的博客

05-10

188

这里直接克隆之前项目的环境。

【UltralyticsYolo11图像分类完整项目-04】代码重构

深耕AI

05-09

本文介绍了如何通过重构代码将功能模块化到头文件中，以简化代码并提高可维护性。具体步骤包括创建头文件 yolo_utils.h 和实现文件 yolo_utils.cpp。头文件中定义了多个类，如 Logger（日志功能）、LabelLoader（标签加载器）、ImagePathLoader（图像路径获取器）、YoloOnnxInference（ONNX 推理器）和 ImageProcessor（图像处理器），每个类都有明确的职责。实现文件中则提供了这些类的具体实现。

windows上yolov8环境搭建安装教程

FL1623863129的博客

05-08

980

这样安装的就是GPU版本yiolov8，注意CPU和GPU区别就是torch是不是能用cuda，这个可以用来进行加速推理的图形处理库，nvidia出品的cuda加速所以需要nvidia显卡支持。下载完直接运行打开进行安装（安装过程有点小慢，请耐心等待），先点击Next进入选择界面，选择Just Me选项，注意下面没有出现界面可以直接点击Next或者I agree默认即可，下面都是安装时候注意选择界面，其他你按照anaconda3默认选项即可。输入完按回车，会出现以下情况。【GPU版本安装方法】

国内特殊车辆检测数据集VOC+YOLO格式4930张3类别

FL1623863129的博客

05-10

106

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["policecar","ambulance",'fire engine']特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：4930。标注数量(xml文件个数)：4930。标注数量(txt文件个数)：4930。使用标注工具：labelImg。标注规则：对类别进行画矩形框。

军事目标无人机视角坦克检测数据集VOC+YOLO格式4003张1类别

FL1623863129的博客

05-09

169

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["tank"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：4003。标注数量(xml文件个数)：4003。标注数量(txt文件个数)：4003。标注规则：对类别进行画矩形框。

OG-HFYOLO：当梯度方向引导遇见异构特征融合，变形表格分割难题迎刃而解

CooVally_AI的博客

05-07

1058

在信息日益数字化的时代，表格作为结构化数据的核心载体，广泛承载着财务报表、教育学习、科学实验数据等关键信息。同时，随着扫描、摄影等技术的普及，表格电子文档的场景日趋复杂。尤其在光照条件、拍摄角度和场景环境复杂多变的情况下，扫描或拍摄的表格图像可能出现各类形变。这些物理形变（如弯曲、透视畸变、折叠）为表格结构识别技术带来巨大挑战。表格结构识别是文档分析中的关键任务。然而，变形表格中的几何形变会导致内容信息与结构之间关联性弱化，致使下游任务无法获取准确的内容信息。为获得细粒度的单元格空间坐标，我们提出OG-HF

yolov8改变分类损失函数slideloss,emaslideloss

01-30

YOLO V8是目标检测算法YOLO的最新版本，它在原有的分类损失函数上进行了改变，引入了SlideLoss和EMASlideLoss。 SlideLoss是一种改进的分类损失函数，它考虑了不同位置和尺度上的目标检测结果。在传统的分类损失函数中，只关注物体的类别预测结果，并忽略了物体所在的位置和尺度信息。但是实际上，目标检测任务需要对不同位置和尺度上的目标进行准确的分类预测。 SlideLoss通过滑窗机制将输入图像分成多个小块，然后在每个小块上计算分类损失函数。这样就能够捕捉到不同位置和尺度上物体的分类预测结果，增加了目标检测的准确性。SlideLoss通过考虑物体的位置和尺度信息，可以更好地适应复杂的场景和多尺度的目标。 EMASlideLoss是SlideLoss的一种变体，它引入了指数移动平均（Exponential Moving Average）的概念。在训练过程中，EMASlideLoss通过对SlideLoss的损失值进行指数移动平均计算，得到平滑的损失值。这样可以减少训练过程中的波动和噪声，提高模型的稳定性和泛化能力。总而言之，YOLO V8通过改变分类损失函数引入了SlideLoss和EMASlideLoss，从而更好地考虑了目标检测任务中的位置和尺度信息，并通过指数移动平均来稳定训练过程，提高模型的准确性和稳定性。