YOLOV5损失函数

yolov5的损失函数包括：

classification loss 分类损失

localization loss 定位损失，预测框和真实框之间的误差

confidence loss 置信度损失，框的目标性

总损失函数为三者的和

 classification loss + localization loss + confidence loss

也可以在三个损失前乘上不同的权重系数，已达到不同比重的结果。

在yolov5中的置信度损失和分类损失用的是二元交叉熵来做的，而定位损失是用的CIOU Loss来做的

类别预测（Class Prediction）

在传统的多分类任务中，一般使用的是softmax函数，将预测得分转换为综合为1的概率，就有点二极管那种感觉，不是动物，那就是人，再不行就是背景，就会导致有极强的排他性。

而在yolov3/v4/v5当中，在计算分类损失进行训练时，对每个标签使用二元交叉熵，去替换了softmax函数，降低了计算复杂度，以计算输入特定的标签的可能性，可以输出的标签是行人+儿童这种类型，输出的总分可以大于1。

边界框损失（localization loss）

IoU Loss

早先的对于边界框的损失使用的IoU损失去做的，去看真实框和预测框的交并比，来计算损失。但是会出现一个问题，就是当真实框和预测框不重叠时，IoU值将为0，并不会反应两个形状彼此之间的距离，会造成梯度为0并且无法优化。

</