前端-好货分享

已于 2024-07-25 15:22:36 修改
阅读量159 收藏
点赞数
分类专栏： 前端 文章标签： 前端
于 2022-08-19 14:00:53 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/weixin_42367288/article/details/126421390
版权
YOLOv10改进策略【小目标改进】| Shape-NWD：融合改进，结合Shape-IoU和NWD 更好地适应小目标特性
Limiiiing的博客
11-08 703
Bw−wgt2h−hgt2weight2Bweight2w−wgt​2h−hgt​2​其中weight2weight = 2weight2。
【YOLOv8改进- 损失函数】 NWD（Normalized Wasserstein Distance：归一化 Wasserstein 距离），助力微小目标检测。
热门推荐
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
08-30 1万+
【YOLOv8改进- 损失函数】 NWD（Normalized Wasserstein Distance：归一化 Wasserstein 距离），助力微小目标检测。
YOLOv8的损失函数解析
最新发布
浩瀚之水的专栏
03-28 2292
YOLOv8的损失函数在继承前代设计的基础上，进一步优化了动态任务对齐机制、解耦式定位损失（DFL + CIoU）​以及多阶段蒸馏策略，实现了更高效的正样本匹配与更精确的边界框回归。
YOLOv11小白的进击之路（九）创新YOLO11损失函数之NWD损失函数源码解读
砥砺前行，共赴山海！
03-18 1449
小目标检测，NWD损失函数分析和源码解读。
YOLOv9改进策略【损失函数篇】| NWD损失函数，提高小目标检测精度
Limiiiing的博客
09-25 1260
本文记录的是基于NWD的YOLOv9的损失函数改进方法研究。目前的IoU-Loss在一些情况下不能提供梯度来优化网络，例如当预测边界框P和真实边界框G没有重叠（即∣P∩G∣0），或者P完全包含G或反之（即∣P∩G∣P或G），而这两种情况在微小物体检测中非常常见。CIoU和DIoU虽然能处理上述两种情况，但它们基于IoU，对微小物体的位置偏差很敏感。而。
YOLOv5改进实战 | 更换损失函数（四）之NWD（小目标检测）篇
w94ghz的博客
10-01 1万+
YOLOv5改进 |损失函数 | 替换CIoU损失函数为EIoU【附完整代码 】
kay_545
06-05 3714
yolov5改进，yolov5涨点，yolov5
YOLO改进：【损失函数篇】提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数
qq_36070656的博客
10-18 1万+
NWD损失函数助力小目标检测
YOLOv5对于损失函数的改进
QT-Smile
03-09 3137
YOLOv5对于损失函数的改进 （1）卷积核的大小改变 （2）步长改变 （3）平均池化（卷积核，步长） （4）最大池化（卷积核，步长） （5）全局平均池化（卷积核，步长） （6）全局最大池化（卷积核，步长） ...
YOLOv5改进损失函数：全面介绍多种类Loss函数，包括PolyLoss、VarifocalLoss、GFL、QualityFLoss和FL等
IpyVariable的博客
09-21 456
在计算机视觉领域，YOLOv5是一种非常流行的目标检测算法。为了进一步提高YOLOv5的性能，在损失函数的设计上可以进行改进。本文将详细介绍多种改进的损失函数，包括PolyLoss、VarifocalLoss、GFL、QualityFLoss和FL，并提供相应的源代码。以上是对YOLOv5改进损失函数的全面介绍，包括PolyLoss、VarifocalLoss、GFL、QualityFLoss和FL。通过选择合适的损失函数，可以进一步提高YOLOv5在目标检测任务上的性能。
芒果YOLOv8改进30：损失函数IoU篇之NWDLoss：即插即用｜YOLOv8小目标检测高效涨点2%，改进用于小目标检测的归一化高斯 Wasserstein Distance Loss，提升小目标
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-27 1万+
代码实践｜YOLOv8改进损失函数NWD Loss：独家更新｜即插即用｜YOLOv8小目标检测高效涨点，超参数合理调试
【YOLOv8改进损失函数】基于Wasserstein Distance Loss的小目标检测评估方法（含源代码）
wzk4869的博客
03-17 755
【YOLOv8改进损失函数】基于Wasserstein Distance Loss的小目标检测评估方法（含源代码）
YOLOv8 修改 IoU(CIOU, DIOU, SIOU, EIOU, Focal_EIOU)
weixin_46515691的博客
12-09 5103
这里简单介绍下怎么修改 YOLOV8 中的 IOU， 首先找到 ultralytics/yolo/utils/metrics.py 文件中的 bbox_iou() 方法。可以看到官方还给我们提供了 DIOU 和 GIOU 的代码，例如当需要更改为 DIOU 时，只需要找到 ultralytics/yolo/utils/loss.py 文件 和 ultralytics/yolo/utils/tal.py 文件，找到调用 bbox_iou() 方法的地方进行修改即可。
YOLOv5改进损失函数：综合多种类Loss实现更全面的计算机视觉模型
QvisCs的博客
09-22 696
这些改进的Loss函数通过引入不同的权重因子、质量因子和焦点因子，能够提高模型对小目标、长尾目标、质量较差目标和少数类别目标的检测能力。为了进一步提升YOLOv5的性能，研究人员提出了一种改进损失函数的方法，通过结合多种类Loss函数，包括PolyLoss、VarifocalLoss、GFL、QualityFLoss和FocalLoss等，来增强模型对不同目标的检测能力。该损失函数通过引入多项式权重因子，对小目标的损失进行放大，从而增强模型对小目标的检测能力。该方法可以提高模型对质量较差目标的检测能力。
YOLOv5改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
01-08 1978
本文给大家带来的是YOLOv5最新改进，为大家带来最近新提出的InnerIoU的内容同时用Inner的思想结合SIoU、WIoU、GIoU、DIoU、EIOU、CIoU等损失函数，形成InnerIoU、InnerSIoU、InnerWIoU等新版本损失函数，同时还结合了Focus和AIpha思想，形成的新的损失函数，其中Inner的主要思想是：引入了不同尺度的辅助边界框来计算损失，(该方法在处理非常小目标的检测任务时表现出良好的性能(但是在其它的尺度检测时也要比普通的损失要好)。文章会详细探讨这些损失函数
YOLOv5改进（七）--改进损失函数EIoU、Alpha-IoU、SIoU、Focal-EIOU
qq_44231797的博客
06-25 4356
YOLOv5默认使用损失函数为CIoU，本文主要针对损失函数进行修改，主要将bbox_iou函数进行修改，添加EIoU、Alpha-IoU、SIoU、Focal-IOU等边界框回归损失。
YOLOv8改进策略：NWD小目标检测新范式
qq_62660798的博客
01-21 4969
YOLOv8是YOLO系列的最新版本，通过引入更多的技术创新和改进，实现了更高的检测精度和更快的推理速度。使用更深的骨干网络和更多的卷积层，提高了特征提取能力。结合了YOLOv4的CSPNet和YOLOv3的YOLOv3-tiny网络结构，取长补短，融合多个版本的优势。引入K-means聚类算法自动调整Anchor，适应不同尺寸目标的检测。
YOLOv8损失函数改进-增加MPDIoU提升边界框回归精度【附代码】
Dora_blank的博客
07-12 1万+
本篇博客我们将详细介绍如何在 YOLOv8项目中增加 MPDIoULoss，包括如何修改配置文件、增加新的损失函数、调整现有的损失计算模块，以及增加训练代码来使用新的损失函数。相信通过这篇博文会使大家更佳熟悉YOLOv8项目的整体结构
优化改进YOLOv5算法之Wise-IOU损失函数
qq_40716944的博客
02-18 1万+
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。Focal EIoU v1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为Wise IoU（WIoU）。
nwd损失函数图
03-09
### NWD 损失函数的图表与可视化 对于YOLOv5中的`yolov5-NWD.py`文件，该文件实现了Wasserstein损失函数用于目标检测[^1]。然而，在提及NWD（假设为噪声到唤醒网络）时，并未找到直接关联于这种特定架构或方法下的损失函数图表或可视化的具体描述。 通常情况下，为了展示任何类型的损失函数的变化情况及其性能表现，可以采用如下几种常见的可视化方式： #### 1. 训练过程中的损失变化曲线图 通过记录训练过程中每轮迭代后的损失值，绘制出随着epoch增加而对应的平均损失下降趋势图。这有助于直观了解模型收敛速度以及是否存在过拟合等问题。 ```python import matplotlib.pyplot as plt def plot_loss_curve(epochs, losses): plt.figure(figsize=(8,6)) plt.plot(range(1, epochs+1), losses) plt.title('Training Loss Curve') plt.xlabel('Epochs') plt.ylabel('Loss Value') plt.grid(True) plt.show() ``` #### 2. 不同超参数设置下对比分析图 当调整某些关键性的超参数比如学习率、正则项系数等之后，可以通过多条不同颜色或者样式的折线来比较它们各自带来的影响效果差异。 #### 3. 测试集上预测结果分布直方图 除了关注整体上的数值指标外，还可以针对测试样本生成其真实标签和预测得分之间的差距统计图形，以此评估模型泛化能力的好坏程度。 由于当前关于NWD的具体定义不够清晰，上述建议更多基于一般意义上的机器学习项目实践给出。如果确实存在名为"NWD"的独特技术方案，则可能需要查阅更专业的资料源获取针对性更强的信息。
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
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