YOLOv5学习笔记——损失函数篇

损失函数

分类损失(Class)、定位损失（预测框与GT框之间的误差）、置信度损失（objectness）
分类与置信度损失使用二元交叉熵损失函数计算；后者用CIOU损失计算Bounding Box回归的损失

类别预测（Class）

特点：输出标签不一定互斥，使得SF输出得分可能大于1
使用多个独立的逻辑分类器来独立地预测各个类别标签可能的概率
使用二元交叉熵损失来进行训练，这也规避了SF的引入带来的计算复杂度提升

定位

使用基于 IoU计算的度量损失取代回归损失
边界框回归时视觉任务的基本组件
IoU 损失

问题: 完全不重叠 时的梯度 为0

GIoU

DIoU（Distance IoU）：

定义：DIoU在IoU的基础上，引入了预测框和真实框中心点之间的欧几里得距离。通过最小化中心点距离，DIoU可以更好地优化预测框的位置。
计算：DIoU损失包括IoU损失和中心点距离损失。

CIoU（Complete IoU）：

• 定义：CIoU在DIoU的基础上，进一步引入了长宽比的惩罚项，以同时优化预测框的位置和形状。
• 计算：
  • CIoU损失 = IoU损失 + 中心点距离损失 + 长宽比损失。
  • 中心点距离损失：计算预测框和真实框中心点的距离。
  • 长宽比损失：考虑预测框和真实框的长宽比差异，通过一个基于相对长宽比的函数来计算。

CIoU损失的公式

CIoU损失的计算公式如下：$$\text{CIoU}=1-\text{IoU}+$$