不过只要cls loss box loss是下降的obj loss对网络梯度回传只是影响框的精确度。比例2个小目标就一个...
① 方案一:Yolox-s+数据增强+(obj_output的Loss函数,用BCELoss) ② 方案二:Yolox-s+数据增强+(obj_output的Loss函数,改为FocalLoss) 对比发现:在使用自有数据集训练时,如果将obj_loss的BCE_Loss,修改为Focal_Loss,发现效果很明显,涨点也很多。而且iou_loss收敛的更好了,不知道是否有朋友也试过?可以在评论...
方案一:Yolox-s+数据增强+(obj_output的Loss函数,用BCELoss) 方案二:Yolox-s+数据增强+(obj_output的Loss函数,改为FocalLoss) 对比发现:在使用自有数据集训练时,如果将obj_loss的BCE_Loss,修改为Focal_Loss,发现效果很明显,涨点也很多。而且iou_loss收敛的更好了,不知道是否有朋友也试过?可以在评论区讨论。
① 方案一:Yolox-s+数据增强+(obj_output的Loss函数,用BCELoss) ② 方案二:Yolox-s+数据增强+(obj_output的Loss函数,改为FocalLoss) 对比发现:在使用自有数据集训练时,如果将obj_loss的BCE_Loss,修改为Focal_Loss,发现效果很明显,涨点也很多。而且iou_loss收敛的更好了,不知道是否有朋友也试过?可以在评论...
① 方案一:Yolox-s+数据增强+(obj_output的Loss函数,用BCELoss) ② 方案二:Yolox-s+数据增强+(obj_output的Loss函数,改为FocalLoss) 对比发现:在使用自有数据集训练时,如果将obj_loss的BCE_Loss,修改为Focal_Loss,发现效果很明显,涨点也很多。而且iou_loss收敛的更好了,不知道是否有朋友也试过?可以在评论...
八、result.png —— 结果loss functions 🌳定位损失box_loss: 预测框与标定框之间的误差(CIoU),越小定位得越准; 🌳置信度损失obj_loss: 计算网络的置信度,越小判定为目标的能力越准; 🌳分类损失cls_loss: 计算锚框与对应的标定分类是否正确,越小分类得越准; ...
下面就可以计算两者的误差,即Loss函数。 计算的代码,位于yolo_head.py的get_losses函数中。 我们可以看到: 检测框位置的iou_loss,Yolox中使用传统的iou_loss,和giou_loss两种,可以进行选择。 而obj_loss和cls_loss,都是采用BCE_loss的方式。 当然除此之外,还有两点需要注意: ...
从图中可以看出,我们注意到训练期间的box_loss(边界框损失),cls_loss(分类损失),和obj_loss(目标损失)都表现出了稳定下降的趋势,这表明模型在学习过程中逐步改善了对目标的定位、识别类别和置信度预测的能力。特别是在训练初期,损失函数值急剧下降,这通常表明模型能够快速从数据中学习。随着迭代次数的增加,损失的...
CIoU_Loss:在DIOU的基础上,考虑边界框宽高比的尺度信息。 (4.3.6)DIoU-NMS 在检测结果中,若存在多个检测框的IOU大于置信度阈值 (1)NMS非极大值抑制:只取IoU最大值对应的框。 (2)DIoU-NMS:只取公式计算得到的最大值对应的框。取最高置信度的IoU,并计算最高置信度候选框(M)与其余所有框(Bi)的中心点距...
类别损失(cls_loss)反映了模型对不同类别判别的准确性,而目标损失(obj_loss)则是模型对有无目标(即跌倒事件)的判断能力。所有这些损失的下降表明,模型在辨识跌倒事件的位置、大小、类别方面的表现都在逐步提高。 精确度(precision)和召回率(recall)是衡量模型性能的两个关键指标。精确度是指模型预测为跌倒事件的...