YOLOv8和General Focal Loss中的分支合并深度解析--从原理到实现

最新推荐文章于 2025-04-13 22:23:45 发布
最新推荐文章于 2025-04-13 22:23:45 发布
阅读量388 收藏
点赞数
分类专栏： 目标检测从基础到实践--系列论文讲解 文章标签： YOLO 深度学习 人工智能
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/weixin_42108090/article/details/129023214
版权
本文深入探讨YOLOv8检测头网络结构的改进，包括采用 Anchor-Free 思想及优化Objectness分支，通过分支合并保留有价值的低质量预测框，并介绍了引入的General Focal Loss损失函数对性能的提升。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

YOLOv5在工业界应用很多，也激发了人们对它的各种修改。但是，笔者看到的各类开源的YOLOv5修改版没有对检测头进行重新设计，比如采用流行的Anchor-Free的思想，也没有对Objectness分支进行修改。而这两点对于提高目标检测的召回率有着可解释的意义，简单的说，采用无锚框的做法可适应的目标范围更广，合并Objectness分支避免了去掉有价值的低质量预测框。YOLOv8对这两点进行了设计并采用了General Focal Loss的损失函数，笔者认为这两点为YOLOv8的涨点做出了贡献。

检测头网络结构

回归-质量估计分支的合并

(未完待续)

YOLOv8改进 | 损失函数篇 | QualityFocalLoss质量焦点损失
走向CTO的路上...
09-06 947
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。
芒果YOLOv8改进61：分类损失函数Loss篇FocalLoss：即插即用｜最新改进FocalLoss损失函数，提高处理不平衡数据分类场景下的任务性能，提升YOLOv8检测精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
07-02 4127
YOLOv8 + FocalLoss 代码实践｜即插即用｜提高处理不平衡数据分类场景下的任务性能，提升YOLOv8检测精度
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)
YOLO V8的​​Anchor-Free​​、​​解耦头（Decoupled Head）、损失函数定义（含​​Varifocal Loss）
最新发布
thequitesunshine007的博客
04-13 1660
YOLOv8 的 ​​ 设计摒弃了传统 YOLO 系列中依赖预定义锚框（Anchor Boxes）的机制，转而直接预测目标的中心点和边界框尺寸。这种设计简化了模型结构，降低了超参数调优的复杂度提升了检测速度和精度。以下是其核心实现原理和关键技术细节。
VarifocalLoss 源码实现解读及其在 Yolov8 中的应用
Jiangnan_Cai的博客
09-12 3900
解读 varifocal loss 的源码，加深理解
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 5893
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。
目标检测常用算法原理+实践精讲---学习笔记以及人脸检测相关问题总结
聪哥965
02-03 2909
文章目录1.传统目标检测方法1.1 Viola-Jones (人脸检测)1.2 HOG+SVM (行人检测、Opencv实现)1.3 DPM (物体检测)2.One stage2.1 Yolo体系变化2.2 YOLO网络结构是怎样的？2.3 YOLO的输入、输出、损失函数分别是什么？2.4 YOLO怎样预测？2.5 YOLOv3不使用Softmax对每个框进行分类的原因？2.6 YOLOv3的架构2.7 为什么SSD对小目标检测效果不好?3.Two stageFaster R-CNNFaster RCNN的
YOLOV5代码精度之训练部分（train.py）
浩瀚之水的专栏
09-27 2239
这些都是用户自定义的库，由于上一步已经把路径加载上了，所以现在可以导入，这个顺序不可以调换。这个是测试集，我们下一篇再具体讲实验性质的代码，包括MixConv2d、跨层权重Sum等yolo的特定模块，包括BaseModel，DetectionModel，ClassificationModel，parse_model等定义了自动生成锚框的方法定义了自动生成批量大小的方法定义了回调函数，主要为logger服务dateset和dateloader定义代码谷歌云盘内容下载。
YOLOv8终极指南：解锁图像分类与检测的高效策略
![YOLOv8的图像分类与检测结合]...我们将从YOLOv8的架构开始，深入理解其背后的网络设计和实现原理。 YOLOv8的出现，是基于其前代版本，包括YOLOv5和YOLOv7，一系列的优化和创新。它
YoloV8损失函数篇（代码加理论）
记录图像处理中遇到的点点滴滴
08-27 8432
yolo损失函数整理和总结，主要侧重于代码理解方面
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)
热门推荐
Snu77的博客
01-09 1万+
本文给大家带来的是分类损失SlideLoss、VFLoss、FocalLoss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，欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制
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 2406
YOLOv8代码实践｜多种IoU变种套装
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 1030
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】目标检测损失函数
m0_55908255的博客
02-19 4650
在以往的目标检测任务中，坐标的网络预测结果服从狄拉克分布，简单理解就是网络针对预测框的坐标值只会输出一个确定的值，预测出的那个值概率为 1 ，其他值的概率为 0 ，因为只输出了这一个结果。而在YOLOv8中，首次使用参与其损失函数计算，网络模型针对（l、t、r、b）输出多个值，这多个值服从一般分布和任意分布，每个值都有它们自己对应的概率，不像狄拉克分布只预测出一个值，概率为 1。
YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进【NO.79】改进损失函数为VariFocal Loss
m0_70388905的博客
11-19 1243
针对小目标、密集目标、遮挡目标的检测场景将损失函数改进为VariFocal Loss
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 1917
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。
NeurIPS 2020 | Focal Loss改进版来了！GFocal Loss：良心技术，无Cost涨点！
weixin_36896856的博客
10-03 1656
点击上方“AI遇见机器学习”，选择“星标”公众号重磅干货，第一时间送达 论文已上传，文末附下载方式本文作者：李翔https://zhuanlan.zhihu.com/p/14769178...
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 1406
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。
提升 YOLOv8 性能的关键 | 探索 FocalLoss 和 SlideLoss【附保姆级代码】
一键难忘的博客
10-06 3774
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。
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

Gallant Hu

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