目标检测常用损失函数

已于 2022-04-18 15:23:01 修改
阅读量6.3k 收藏 6
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 视觉检测图像分割干货 文章标签： 损失函数 L1 L2 smooth
于 2022-04-18 15:22:24 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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.csdn.net/qq_42308217/article/details/123673189
本文深入探讨目标检测中的各类损失函数，包括IoU、GIoU、DIoU、CIoU、L1、L2及SmoothL1损失。通过实例解释它们的工作原理、优缺点，帮助理解这些损失函数在神经网络训练中的作用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

学习目标检测的同学一定对损失函数非常头疼。在求分类时会遇到0-1损失，交叉熵损失，在求回归框的时候需要用到L1损失、L2损失以及各种IoU损失。而我们本身又不是很了解这些损失函数，网上的教程大多是走数学推理的路子，让人费解。这篇文章就带大家从原理层及应用层一起深入了解一下目标检测中的各类损失函数。

损失函数就是一个评价神经网络的老师。在训练过程，是将神经网络的预测值和真实值做比较。当预测值和真实值较大时，损失较大，当预测值和真实值较小时，损失较小。为什么要对同一个问题设计各种形式的损失？需要在不断的实验中找到更加专业的老师（更好的评价指标），这样神经网络才能在学习过程中拥有更高的效率。

  • 损失一：IoU损失。
    • 计算分为两步
      • 第一步：计算IoU：A为预测框，B为真实框

了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | 损失篇 | Varifocal Loss密集目标检测专用损失函数（VFLoss）详细实现与优化
一键难忘的博客
09-20 4260
VarifocalLoss（VFLoss）是一种新型的损失函数，旨在解决密集目标检测中的难例问题。传统的损失函数，如交叉熵损失（Cross-Entropy Loss）和焦点损失（Focal Loss），在处理密集目标时可能会出现关注度不均的问题。VFLoss通过引入变焦因子（varifocal factor）来调整对不同目标的关注度，从而提高检测精度。分析结果根据实验记录的结果，分析不同超参数配置对模型性能的影响。使用可视化工具绘制超参数与性能指标的关系图，以直观展示不同配置的效果。优化建议。
一文读懂目标检测中的各种IoU损失函数
DeepDriving
06-10 2255
本文介绍了在目标检测领域常用的几种IoU损失函数。边界框回归是目标检测中的一种主流技术方法，该方法使用矩形边界框去预测目标对象在图像中的位置，旨在细化预测边界框的位置。边界框回归使用预测边界框和真实边界框之间的重叠区域作为损失函数，称为基于交并比的损失函数。......
yolo v1 目标检测算法的损失函数详尽代码注解
05-02
应该是目前为止互联网上能找到的关于yolo v1目标检测开源算法损失函数的最详尽的代码注释了吧！对于初学人工智能的朋友们应该有所帮助。
目标检测中的损失函数
最新发布
lishanlu136的博客
10-10 4375
目标检测中损失函数，localization loss变迁史，IoU、GIoU、DIoU、CIoU、EIoU等变体；
目标检测中常用的损失函数汇总
weixin_43750248的博客
05-11 6492
深度学习中的损失函数图像分类交叉熵目标检测focal lossL1，L2，smooth L1损失函数图像分割 图像分类 交叉熵 Softmax+交叉熵 对于二分类而言，交叉熵损失函数形式如下： 交叉熵损失函数通过不断缩小两个分布的差异，使预测结果更可靠。 之后谷歌在交叉熵的基础上提出了Label Smoothing（标签平滑），解决over-confidence的问题。 对于像交叉熵这样的loss，一旦output有些偏差，loss值就往无穷大方向走，就逼迫模型去接近真实的label值。接近label值之
目标检测之损失函数
pengxiang1998的博客
04-26 2254
损失函数的作用为度量神经网络预测信息与期望信息（标签）的距离，预测信息越接近期望信息，损失函数值越小。在目标检测领域，常见的损失分为分类损失和回归损失。
目标检测损失函数
alex1801
12-08 6601
损失由两部分组成，分别是类别误差损失以及定位误差损失。 1、分类损失 采用一个二分类的softmax loss用来做分类，分类损失如下： 其中，Sj为最后一层的softmax输出，T为类别数，yi为对应的真值标记。 2、smooth L1 Loss 常用的L1、L2损失定义如下： smooth L1 用来做回归，公式如下： 其中x、y、w、h分别为目标的中心点及宽高，ti为真值、ui为对...
yolov8目标检测损失函数
图灵追幕者博客录
06-13 7191
YOLOv8官方将各类任务（目标检测，关键点检测，实例分割，旋转目标框检测，图像分类）的损失函数封装了在中，本文主要梳理一下目标检测任务Loss的大致组成，不涉及到具体的原理。Loss 计算包括 2 个分支：分类和回归分支，没有了之前的 objectness 分支。目标检测任务中函数定义在YOLOv8损失函数使用了分类BCE、回归CIOU + VFL（新增项目）的组合。分类损失YOLOv8用的多分类损失是N个目标的二元交叉熵损失，而不是一般我们认为的多目标的softmax交叉熵损失。
目标检测回归损失函数简介
baidu_36557924的博客
08-04 2196
目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线： 本文按照此路线进行讲解。 1、Smooth L1 Loss 1.1均方误差MSE (L2Loss) 均方误差（Mean Square Error,MSE）是模型预测值f(x)与真实样本值y之间差值平方的平均值，其公式如下 M...
目标检测中的损失函数汇总
shang_bo_liang的博客
01-25 2562
目标检测中的损失函数汇总_senbinyu的博客-CSDN博客_目标检测中的损失函数
目标检测--损失函数
Cai_Xu_Kun的博客
04-27 1012
仅作个人学习，侵权删。 大部分来自：https://zhuanlan.zhihu.com/p/35709485. 损失函数分类1、 Classification Error（分类错误率）2 、Mean Squared Error (均方误差)3 、Cross Entropy Loss Function（交叉熵损失函数）4 、Focal loss 损失函数分类 1.预测政治倾向例子 我们希望根据一个人的年龄、性别、年收入等相互独立的特征，来预测一个人的政治倾向，有三种可预测结果：民主党、共和党、其他党。假设
深度学习——目标检测损失函数
dhy5710的博客
09-25 4574
目标检测损失分为类别损失和位置损失。
目标检测损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU原理及Pytorch实现
qq_40716944的博客
12-28 7450
IoU全称Intersection over Union，交并比。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。IoU算法是使用最广泛的算法，大部分的检测算法都是使用的这个算法。在目标识别中，我们的预测框与实际框的某种比值就是IoU。1.2 IoU计算公式通过上述分析，当预测框和真实框不相交时IoU值为0，导致很大范围内损失函数没有梯度。针对这一问题，提出了GIoU作为损失函数。
目标检测常用损失函数-类别损失+位置损失
热门推荐
07-26 1万+
目录 类别损失 1. 交叉熵损失 Cross Entropy Loss 2. Focal Loss 改进的交叉熵损失函数 位置损失 1. L1 Loss平均绝对误差（Mean Absolute Error, MAE） 2. L2 Loss均方误差损失（Mean Square Error, MSE） 3. Smooth L1 Loss 4. IoU Loss 5. GIoU Loss 6. DIoU Loss . CIoU Loss 一般的目标检测模型包含两类损失函数， 一...
Datawhale炼丹之Object Detetion（3）损失函数
weixin_45561472的博客
12-22 171
文章目录前言一、匹配策略1. 原则一2. 原则二二、损失函数 前言 一时兴起和好朋友一起组队参加了Datawhale的OD小项目，索性也算是第一次做CV的项目了，顺便练练pytorch和神经网络的内容。这是第三次任务的博客。本次任务主要是学习目标检测任务的损失函数，也就是我们训练的criterion 一、匹配策略 匹配策略就是说，我们需要知道每个prior bbox和哪个目标对应。本任务采用以下几个原则 1. 原则一 从ground truth box出发，寻找与每一个ground truth box有
【目标检测】59、损失函数 | 分类检测分割中的损失函数和评价指标
呆呆的猫的博客
01-02 6684
本文详细介绍目标检测、语义分割、图像分类中的各类损失函数和评价指标
目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss
JulyLi2019的博客
12-04 4198
之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。
目标检测的损失函数
04-10 3836
IOU 预测与标注重叠的区域 / 预测与重叠的全部区域 AP(Average Precison)是计算具体某个类别的AP，相当于一个二分类问题，计算步骤如下： 先确定划分positive和negative的IoU阈值，预测的proposal与当前这个类别的GT的IoU大于阈值，则这个预测结果为positive（TP），否则为negative（FP） 平均计算所有类别的AP就是mAP AP 是衡量学习出来的模型在每一个类别上的好坏 会设置一个阈值 就是重合部分的占比是多少我们就认为是检测正确
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

打赏作者

刚哥吧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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