GFL损失函数改进——NeurIPS顶会论文: YOLOv8的无损涨点 | 计算机视觉

最新推荐文章于 2025-10-13 07:02:20 发布

编码实践

最新推荐文章于 2025-10-13 07:02:20 发布

阅读量995

点赞数

CC 4.0 BY-SA版权

文章标签：计算机视觉 YOLO 深度学习

本文链接：https://blog.youkuaiyun.com/wellcoder/article/details/130895729

计算机视觉同时被 2 个专栏收录

90 篇文章 ¥99.90 ¥299.90

订阅专栏

计算机视觉进阶

90 篇文章 ¥99.90 ¥299.90

订阅专栏

针对YOLO系列模型在目标检测中的过拟合和欠拟合问题，研究者扩展了GFL损失函数至连续形式，结合优化策略提升YOLOv8性能。该改进在NeurIPS会议上发表，有望推动计算机视觉领域的发展。

GFL损失函数改进——NeurIPS顶会论文: YOLOv8的无损涨点 | 计算机视觉

近年来，计算机视觉技术飞速发展，YOLO系列模型一直是目标检测领域中非常出色的模型之一。然而，传统的损失函数存在一些问题，容易导致模型训练过程中的过拟合、欠拟合等不稳定现象。为了解决这些问题，研究者们在此前的工作中提出了GFL（Generalized Focal Loss）损失函数。

在此基础上，研究者们提出了一个新的改进版本——将焦点损失从其离散形式推广到连续形式。这项研究成功地将 GFL 损失函数与其他优化策略结合，使得 YOLOv8 对各种图像识别任务都呈现出更好的性能。

源代码如下：

import torch

def generalized_focal_loss(prediction, target, alpha, gamma):

了解本专栏

订阅专栏解锁全文

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

编码实践

关注关注

0
点赞
踩
1

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
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

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

芒果YOLOv8改进03：损失函数IoU篇全新XIoU：首发最新改进｜结合XIoU损失函数，相比较CIoU改进涨点，YOLO改进Trick，提升网络模型性能、收敛速度和鲁棒性

包括YOLOv5、YOLOv7、YOLOv8等模型改进

04-17

5595

YOLOv8代码实践｜原创改进βIoU损失函数，YOLO改进Trick，相比较CIoU改进轻松涨点

参与评论您还未登录，请先登录后发表或查看评论

YOLOv8损失函数改进大全：从IoU到FocusIoU的20+种变体全解析（附完整适配代码+性能对比）

热门推荐

p13672294967的博客

05-15

2万+

yolov8改进损失函数Wise-IoU（高效涨点且操作简单），一种基于动态非单调聚焦机制的边界框损失，map@50从59%提升到了61%，将近提升了2个百分点。

YOLOv8模型改进——修改损失函数

qq_60131119的博客

03-07

2108

【代码】YOLOv8模型改进——修改损失函数。

芒果YOLOv5改进26：损失函数篇之GFL：首发最新｜NeurIPS顶会论文，模型无损涨点，改进广义焦点损失Generalized Focal Loss，将焦点损失从其离散形式推广到连续形式

包括YOLOv5、YOLOv7、YOLOv8等模型改进

01-16

2997

代码实践 YOLOv5+NeurIPS顶会论文｜改进 Generalized Focal Loss 广义焦点损失，优化让模型无损涨点

芒果YOLOv7改进30：Loss篇：改进GFL损失函数：首发最新基于GFL损失函数，让模型无损涨点，NeurIPS 顶会论文｜Generalized Focal Loss，多种热门检测模型已使用

包括YOLOv5、YOLOv7、YOLOv8等模型改进

01-16

5018

代码实践｜YOLOv7代码使用广义焦点损失 (GFL)，将焦点损失从其离散形式推广到连续形式，以实现成功优化

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

6388

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。

改进yolov8|损失函数改进：EfficiCIoU-Loss

weixin_44379985的博客

05-16

1463

EfficiCIoU-Loss结合了EfficientDet中提出的CloU和GIoU。

Yolov7/Yolov5损失函数改进：Wasserstein Distance Loss，助力小目标涨点

①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；

03-15

6019

Yolov7/Yolov5损失函数改进：Wasserstein Distance Loss，助力小目标涨点

在yolov8中更改损失函数

fool996的博客

02-25

1万+

之后，打开loss.py函数文件，然后找到 class BboxLoss(nn.Module): 如图所示

保姆级YOLOv8改进 | 基于新型损失函数的目标检测性能提升研究

一键难忘的博客

08-08

3626

InnerIoU（内部交并比）损失函数考虑了目标框内部的重叠区域，旨在更加精确地评估检测框与真实框之间的重叠程度。本文介绍了四种新型损失函数：InnerIoU、InnerSIoU、InnerWIoU和FocusIoU，并详细分析了它们的数学原理和优缺点。通过实验结果验证了这些损失函数的有效性，尤其是FocusIoU在目标检测中表现优越。此外，我们还探讨了数据增强、模型架构优化和正则化手段等提升模型性能的方法，并展望了未来的研究方向。

YOLOv5改进GFL损失函数：通过引入连续形式的广义焦点损失，提高目标检测模型性能

KtMacos的博客

09-21

479

然而，传统的焦点损失函数是基于离散的二分类形式，可能对目标检测任务的连续性特征建模能力有所限制。具体而言，给定一个目标的真实类别标签和模型预测的类别分数，GFL损失函数通过将类别分数映射到一个概率密度函数上，并计算该函数在真实类别标签处的概率密度值。通过计算模型预测的类别分数的sigmoid函数值，以及真实类别标签，可以按照GFL损失函数的公式计算出损失值。最近的NeurIPS顶会论文提出了一种改进的损失函数，通过将焦点损失从离散形式推广到连续形式，进一步提高了YOLOv5模型的性能。

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)

YOLOv8改进 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数

Snu77的博客

11-19

1万+

这篇文章介绍了YOLOv8的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高YOLOv8在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。

[GFL]Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Dete

Focus

07-14

1035

Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 会议：CVPR 2021 论文：https://arxiv.org/pdf/2006.04388.pdf 代码：https://github.com/implus/GFocal Abstract 目前的模型大多存在两个问题：问题一：在训练和推理的过程中，质量评估和分类的方法不一致：他们往往被独立训练

YOLOv8改进损失函数Wise-IoU：提升目标检测性能的新损失函数

UksApps的博客

09-14

4647

为了进一步提高YOLOv8的性能，研究人员提出了一种改进的损失函数——Wise-IoU，它结合了最新的WIoU（Weighted IoU）损失函数，超越了传统的CIoU（Complete IoU）和SIoU（Smooth IoU）。通过实验验证，Wise-IoU相比传统的CIoU和SIoU损失函数，可以在目标检测任务中取得更好的性能。Wise-IoU不仅考虑了目标之间的相对位置和大小差异，还引入了一种智能权重调整机制，可以自适应地调整权重系数，提高目标检测的灵活性和鲁棒性。希望以上内容对您有所帮助！

目标检测 - Generalized Focal Loss 基于one-stage检测器无cost涨点（改进的Focal Loss,优于RetinaNet,FCOS,ATSS等）

二分掌柜的

11-26

2339

目标检测 - Generalized Focal Loss 什么问题 FCOS v1 FCOS v2 作者发现的问题改进 def quality_focal_loss(pred, target, beta=2.0): r"""Quality Focal Loss (QFL) is from `Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detec

GFL损失函数怎么加入yolov8

10-22

根据引用和引用的内容，我们可以得知GFL损失函数已经被成功地加入到了YOLOv8中。...而引用中提到的连续形式的焦点损失，则是在GFL损失函数的基础上进行的改进版本，这也为YOLOv8的性能提升提供了更多的可能性。