芒果YOLOv5改进34：损失函数篇之多种类Loss：包括PolyLoss / VarifocalLoss / GFL / QualityFLoss / FocalLoss等

### 修改 YOLOv5 中的 GFL 损失函数 要在 YOLOv5 中实现并应用 GFL（Generalized Focal Loss），需要对源码中的损失计算模块进行调整。以下是具体的方法： #### 1. **核心代码修改** YOLOv5 的默认损失函数位于 `utils/loss.py` 文件中，主要由 `ComputeLoss` 类负责处理。为了引入 GFL，需替换原有的 BCEWithLogitsLoss 或其他损失函数。 以下是一个基于 GFL 的自定义损失函数实现[^2]： ```python import torch import torch.nn as nn import torch.nn.functional as F class GeneralizedFocalLoss(nn.Module): def __init__(self, alpha=0.25, gamma=2.0, reduction='mean'): super(GeneralizedFocalLoss, self).__init__() self.alpha = alpha self.gamma = gamma self.reduction = reduction def forward(self, inputs, targets): ce_loss = F.binary_cross_entropy_with_logits(inputs, targets, reduction="none") p_t = torch.exp(-ce_loss) loss = self.alpha * ((1 - p_t)**self.gamma) * ce_loss if self.reduction == 'mean': return loss.mean() elif self.reduction == 'sum': return loss.sum() else: return loss ``` 此代码实现了 GFL 的基本形式，并允许通过参数调节其行为[^4]。 --- #### 2. **集成到 ComputeLoss** 在 `utils/loss.py` 中找到 `ComputeLoss` 类，将上述 GFL 替代原来的分类损失部分。例如，在 `_build_losses` 方法中更新如下： ```python def _build_losses(self, ...): ... # 原始 BCEWithLogitsLoss 替换为 GFL self.loss_cls = GeneralizedFocalLoss(alpha=0.25, gamma=2.0, reduction='mean') ... ``` 随后，在前向传播过程中调用新的损失函数即可。 --- #### 3. **配置文件调整** 如果希望动态控制 GFL 参数（如 `alpha` 和 `gamma`），可以在 YAML 配置文件中新增字段。例如： ```yaml gfl_alpha: 0.25 gfl_gamma: 2.0 ``` 接着，在初始化 `ComputeLoss` 时读取这些超参： ```python from yaml import safe_load with open('config.yaml', 'r') as f: cfg = safe_load(f) self.gfl_alpha = cfg.get('gfl_alpha', 0.25) self.gfl_gamma = cfg.get('gfl_gamma', 2.0) self.loss_cls = GeneralizedFocalLoss( alpha=self.gfl_alpha, gamma=self.gfl_gamma, reduction='mean' ) ``` 这一步使得模型更加灵活，便于实验不同设置下的性能表现。 --- #### 4. **验证与测试** 完成以上更改后，重新编译项目并运行训练脚本。可以通过 TensorBoard 或日志监控新损失函数的效果。此外，建议对比原生 FL 和 GFL 下的 mAP 变化，评估实际增益[^3]。 --- ### 注意事项 - 如果发现收敛速度变慢或精度下降，请检查 GFL 超参是否合理。 - 对于边界框回归任务，可考虑联合使用 DFL（Distribution Focal Loss）以提升定位准确性[^1]。 ---