YOLOv8 中的损失函数解析

最新推荐文章于 2025-04-22 13:40:19 发布
最新推荐文章于 2025-04-22 13:40:19 发布
阅读量262 收藏
点赞数 1
文章标签： YOLO
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_50993868/article/details/146529218
版权

介绍

YOLOv8在框架中引入了姿态估计后，该框架现在支持最多四个任务，包括分类、目标检测、实例分割和姿态估计。
在这里插入图片描述

IoU损失

在这里插入图片描述
在这里插入图片描述

分布焦点损失（DFL）

另一个与边界框相关的损失函数是分布焦点损失（DFL）²。DFL关注的是边界框回归的分布差异。YOLOv8中的网络不是直接预测边界框，而是预测边界框的概率分布。它旨在解决边界模糊或部分遮挡的挑战性对象。
在这里插入图片描述

关键点损失

【YOLOv8改进-损失函数】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数
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。
06-06 4052
在介绍YOLOv8中的各种Iou之前，我们先来了解了解目标检测中的损失函数。目标检测模型通常包含两类损失函数：类别损失（分类）和位置损失（回归）。这两类损失函数用于检测模型的最后一部分，根据模型的输出（类别和位置）以及实际标注框（类别和位置），分别计算类别损失和位置损失。
【YOLOv5】损失函数源码解析
m0_55908255的博客
01-03 1557
个网格，并不是每一个网格上的输出都要去做分类损失计算的，只有正样本网格里的正样本anchor才需要做分类损失计算（定位损失计算也是一样）。框越小，这个惩罚项越大。向量中的标签值，如果未使用标签平滑技术则非0即1，如果使用标签平滑技术，且eps=0.1，则标签值为非0.95即0.05)左上角的偏移量，然后计算出正样本预测框的高、宽，组合预测信息计算出正样本预测框与真实框的。分类损失只需要计算正样本的分类损失，负样本不需要参与分类损失计算。定位损失只需要计算正样本的定位损失，需计算出正样本预测框的中心点到。
YOLOv8的损失函数解析
浩瀚之水的专栏
03-28 2520
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。
YOLOV8损失函数详细讲解【损失函数有误，望理解】
夜间去看海的博客
08-12 4万+
在这个公式中，IoU是交并比，b和bgt表示两个矩形框的中心点，ρ表示两个矩形框之间的欧式距离，c表示两个矩形框闭合区域的对角线距离，v用于测量两个矩形框相对比例的一致性，α是权重系数，具体详细看。本人研0小白，最近在苦学YOLOV8，为了加深记忆，在学习过程中做了学习笔记，这篇主要将YOLOV8的损失函数，但目前只学了一点，后面如有发展会继续更新。上表我们竖着看，黄色的代表是猫的编码 [1, 0, 0]，浅绿色代表的是狗的编码 [0, 1, 0]，粉色代表的人的代码[0,0,1]
理论DFL与YOLOv8里面的DFL
weixin_38991876的博客
04-22 1136
借用了实际计算还是使用的方式。
YOLOv8详解:损失函数、Anchor-Free、样本分配策略；以及与v5的对比
qq_41848886的博客
08-16 6万+
v8的损失函数、Anchor-Free、样本分配策略介绍，以及和v5的对比
论文笔记：RetinaNet（Focal Loss for Dense Object Detection）
牛顿爱吃香蕉的博客
05-10 2215
文章目录1、摘要2、介绍3、相关研究3、焦点损失3.1、平衡交叉熵3.2、焦点损失定义3.3、类不平衡和模型初始化3.4、类不平衡和 two-stage 检测器4、RetinaNet 检测器4.1、训练 1、摘要 one−stageone-stageone−stage 检测器对目标可能的位置进行密集采样，相比于 two−stagetwo-stagetwo−stage 方法更简单、速度更快，但是精度...
YOLOv8训练参数详解（全面详细、重点突出、大白话阐述小白也能看懂）
热门推荐
qq_37553692的博客
05-27 11万+
model: 模型文件的路径。这个参数指定了所使用的模型文件的位置，例如 yolov8n.pt 或 yolov8n.yaml。模型文件包含了已经训练好的模型的权重和结构。 data: 数据文件的路径。该参数指定了数据集文件的位置，例如 coco128.yaml。数据集文件包含了训练和验证所需的图像、标签和其他数据的信息。 epochs: 训练的轮数。这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。
YOLOv7的损失函数解析
浩瀚之水的专栏
03-28 807
YOLOv7通过EIOU Loss提升定位精度、Varifocal Loss优化分类任务、OTA++动态标签分配增强样本效率，配合重参数化结构与多层级监督，实现了精度与速度的突破性平衡。其设计在复杂场景（如密集小目标、遮挡目标）下表现尤为突出，是目前工业级目标检测的首选架构之一。
yolov8/yolov10 损失函数代码解析
hhl_work的博客
08-29 559
yolov10损失函数代码分析
一文看懂YOLO v8
litt1e的博客
01-30 2万+
2023年，YOLO系列已经迭代到v8，v8与v5均出自U神，为了方便理解，我们将通过与v5对比来讲解v8。想了解v5的可以参考文章。
YOLOV8学习笔记2
yang的博客
05-29 3907
YOLOV8训练结果分析
【yolov8系列】yolov8的目标检测、实例分割、关节点估计的原理解析
magic_ll的博客
10-17 2万+
对前两者进行解析可得到，有效的gridceil预测出了目标的类别 和 目标的box，此时可以很容易获取该gridceil中的目标的mask_coef，维度为32，刚好与Proto输出的channel维度32相一致。不同mask为网络学习到不同的掩码信息，值得注意的是单张mask并不意味着mask中只有一个目标的mask。2 仅保留该gridceil检测出的box内的mask，然后再对mask框内的mask的每个像素进行阈值过滤（工程中阈值设为0.5），即得到该目标的最终的mask。
YOLOv8-训练流程-损失函数
weixin_40723264的博客
06-06 1万+
（1）通过YOLOv8-训练流程-正负样本分配的介绍，我们可以知道，经过预处理与筛选的过程得到最终的训练数据：a. 网络输出值：pred_scores[bx8400xcls_num]、pred_bboxes[bx8400x4]b. 训练标签值：
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection
qq_52302919的博客
06-20 2433
一阶段检测器基本将目标检测定义为密集的分类和定位(即包围框回归)。分类通常采用Focal Loss优化方法，锚框定位通常在狄拉克分布下学习。一阶段检测器最近的一个趋势是引入单个预测分支来估计定位质量，其中预测的质量有助于分类，从而提高检测性能。本文探讨了质量估计、分类和定位三个基本要素的表示方法。......
一文看尽深度学习中的15种损失函数
haima1998的专栏
08-15 2131
转自：https://zhuanlan.zhihu.com/p/377799012 在机器学习中，损失函数是代价函数的一部分，而代价函数则是目标函数的一种类型[1]。 Loss function，即损失函数：用于定义单个训练样本与真实值之间的误差； Cost function，即代价函数：用于定义单个批次/整个训练集样本与真实值之间的误差； Objective function，即目标函数：泛指任意可以被优化的函数。 损失函数是用于衡量模型所作出的预测离真实值（Ground Truth）之间的偏离
目标检测中焦点损失的原理
深度学习与计算机视觉
09-18 4223
介绍对象检测是计算机视觉社区中研究最广泛的主题之一，它已经进入了各个行业，涉及从图像安全，监视，自动车辆系统到机器检查等领域。当前，基于深度学习的对象检测可以大致分为两类：两级检测器，例...
【深度学习】基于深度学习的目标识别训练中的各种参数的定义
m0_46205611的博客
11-26 1566
验证损失 (Validation Loss)：包括和，用于评估模型在验证集上不同任务（边界框回归、目标分类、边界框位置精度）上的表现。学习率参数 (Learning Rate Parameters)：包括lr/pg0lr/pg1和lr/pg2，表示不同参数组的学习率，以此控制不同层参数的更新速度，保持模型训练的稳定性和效率。这些验证损失和学习率参数是目标检测模型训练过程中至关重要的控制变量，通过这些参数的评估与调整，可以保证模型训练的稳定性并提升模型的泛化能力。
焦点损失函数 Focal Loss 与 GHM
忽逢桃林的博客
07-31 1万+
文章来自公众号【机器学习炼丹术】 1 focal loss的概述 焦点损失函数 Focal Loss（2017年何凯明大佬的论文）被提出用于密集物体检测任务。 当然，在目标检测中，可能待检测物体有1000个类别，然而你想要识别出来的物体，只是其中的某一个类别，这样其实就是一个样本非常不均衡的一个分类问题。 而Focal Loss简单的说，就是解决样本数量极度不平衡的问题的。 说到样本不平衡的解决方案，相比大家是知道一个混淆矩阵的f1-score的，但是这个好像不能用在训练中当成损失。而Focal loss可
yolov8的损失函数解析
最新发布
05-28
首先，用户提供的引用是关于YOLOv1、v2、v3的损失函数解析，但用户的问题是关于v8的。这说明用户可能已经熟悉早期版本，现在想跟进最新版本的变化。我需要确保回答中对比v8与之前版本的差异，突出改进点。接下来，我...
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