مرجع ل ultralytics/utils/loss.py
ملاحظه
هذا الملف متاح في https://github.com/ultralytics/ultralytics/ نقطة / الرئيسية /ultralytics/ المرافق / loss.py. إذا اكتشفت مشكلة ، فيرجى المساعدة في إصلاحها من خلال المساهمة في طلب 🛠️ سحب. شكرا لك 🙏!
ultralytics.utils.loss.VarifocalLoss
قواعد: Module
الخسارة المتغيرة البؤرية بواسطة Zhang et al.
https://arxiv.org/abs/2008.13367.
شفرة المصدر في ultralytics/utils/loss.py
__init__()
forward(pred_score, gt_score, label, alpha=0.75, gamma=2.0)
staticmethod
يحسب الخسارة البؤرية.
شفرة المصدر في ultralytics/utils/loss.py
ultralytics.utils.loss.FocalLoss
قواعد: Module
يلتف الخسارة البؤرية حول loss_fcn () الموجودة ، أي المعايير = FocalLoss(nn. BCEWithLogitsLoss(), gamma=1.5).
شفرة المصدر في ultralytics/utils/loss.py
__init__()
forward(pred, label, gamma=1.5, alpha=0.25)
staticmethod
يحسب ويحدث مصفوفة الارتباك لمهام اكتشاف/تصنيف الكائنات.
شفرة المصدر في ultralytics/utils/loss.py
ultralytics.utils.loss.BboxLoss
قواعد: Module
فئة المعيار لحساب خسائر التدريب أثناء التدريب.
شفرة المصدر في ultralytics/utils/loss.py
__init__(reg_max, use_dfl=False)
قم بتهيئة وحدة BboxLoss مع الحد الأقصى للتنظيم وإعدادات DFL.
forward(pred_dist, pred_bboxes, anchor_points, target_bboxes, target_scores, target_scores_sum, fg_mask)
فقدان IoU.
شفرة المصدر في ultralytics/utils/loss.py
ultralytics.utils.loss.RotatedBboxLoss
قواعد: BboxLoss
فئة المعيار لحساب خسائر التدريب أثناء التدريب.
شفرة المصدر في ultralytics/utils/loss.py
__init__(reg_max, use_dfl=False)
forward(pred_dist, pred_bboxes, anchor_points, target_bboxes, target_scores, target_scores_sum, fg_mask)
فقدان IoU.
شفرة المصدر في ultralytics/utils/loss.py
ultralytics.utils.loss.KeypointLoss
قواعد: Module
فئة المعيار لخسائر التدريب على الحوسبة.
شفرة المصدر في ultralytics/utils/loss.py
__init__(sigmas)
forward(pred_kpts, gt_kpts, kpt_mask, area)
يحسب عامل فقدان النقطة الرئيسية وفقدان المسافة الإقليدية للنقاط الرئيسية المتوقعة والفعلية.
شفرة المصدر في ultralytics/utils/loss.py
ultralytics.utils.loss.v8DetectionLoss
فئة المعيار لخسائر التدريب على الحوسبة.
شفرة المصدر في ultralytics/utils/loss.py
148149150151152153154155156157 158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192 193194195196 197198199200201202203204205206207208209210211212213214215216217218219220221222223224225226227228229230231232233234235236237238239240241242243244245246247248 |
|
__call__(preds, batch)
احسب مجموع الخسارة ل Box و cls و dfl مضروبا في حجم الدفعة.
شفرة المصدر في ultralytics/utils/loss.py
__init__(model)
تهيئة v8DetectionLoss مع النموذج، وتحديد الخصائص المتعلقة بالنموذج ووظيفة فقدان BCE.
شفرة المصدر في ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist)
فك تشفير إحداثيات المربع المحيط بالكائن المتوقع من نقاط الربط والتوزيع.
شفرة المصدر في ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
المعالجة المسبقة للعدد المستهدف والمطابقات مع حجم دفعة الإدخال لإخراج ملف tensor.
شفرة المصدر في ultralytics/utils/loss.py
ultralytics.utils.loss.v8SegmentationLoss
قواعد: v8DetectionLoss
فئة المعيار لخسائر التدريب على الحوسبة.
شفرة المصدر في ultralytics/utils/loss.py
251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 |
|
__call__(preds, batch)
حساب وإرجاع الخسارة ل YOLO نموذج.
شفرة المصدر في ultralytics/utils/loss.py
__init__(model)
تهيئة الفئة v8SegmentationLoss، مع أخذ نموذج غير متوازي كوسيطة.
calculate_segmentation_loss(fg_mask, masks, target_gt_idx, target_bboxes, batch_idx, proto, pred_masks, imgsz, overlap)
احسب الخسارة لتجزئة المثال.
البارامترات:
اسم | نوع | وصف | افتراضي |
---|---|---|---|
fg_mask |
Tensor
|
ثنائي tensor من الشكل (BS ، N_anchors) يشير إلى المراسي الموجبة. |
مطلوب |
masks |
Tensor
|
أقنعة الحقيقة الأرضية للشكل (BS ، H ، W) إذا |
مطلوب |
target_gt_idx |
Tensor
|
فهارس كائنات الحقيقة الأرضية لكل مرساة للشكل (BS ، N_anchors). |
مطلوب |
target_bboxes |
Tensor
|
مربعات ربط الحقيقة الأرضية لكل مرساة للشكل (BS ، N_anchors ، 4). |
مطلوب |
batch_idx |
Tensor
|
مؤشرات دفعة الشكل (N_labels_in_batch ، 1). |
مطلوب |
proto |
Tensor
|
أقنعة النموذج الأولي للشكل (BS ، 32 ، H ، W). |
مطلوب |
pred_masks |
Tensor
|
أقنعة متوقعة لكل مرساة للشكل (BS ، N_anchors ، 32). |
مطلوب |
imgsz |
Tensor
|
حجم صورة الإدخال كملف tensor من الشكل (2) ، أي (H ، W). |
مطلوب |
overlap |
bool
|
ما إذا كانت الأقنعة في |
مطلوب |
ارجاع:
نوع | وصف |
---|---|
Tensor
|
الخسارة المحسوبة لتجزئة المثال. |
تلاحظ
يمكن حساب فقدان الدفعة لتحسين السرعة عند استخدام أعلى للذاكرة. على سبيل المثال ، يمكن حساب pred_mask على النحو التالي: pred_mask = torch.einsum ('in,nhw->ihw', pred, proto) # (i, 32) @ (32, 160, 160) -> (i, 160, 160)
شفرة المصدر في ultralytics/utils/loss.py
single_mask_loss(gt_mask, pred, proto, xyxy, area)
staticmethod
احسب خسارة تجزئة المثيل لصورة واحدة.
البارامترات:
اسم | نوع | وصف | افتراضي |
---|---|---|---|
gt_mask |
Tensor
|
قناع الحقيقة الأرضية للشكل (n ، H ، W) ، حيث n هو عدد الكائنات. |
مطلوب |
pred |
Tensor
|
معاملات القناع المتوقعة للشكل (ن ، 32). |
مطلوب |
proto |
Tensor
|
أقنعة النموذج الأولي للشكل (32 ، H ، W). |
مطلوب |
xyxy |
Tensor
|
مربعات ربط الحقيقة الأرضية بتنسيق xyxy ، تمت تسويتها إلى [0 ، 1] ، من الشكل (n ، 4). |
مطلوب |
area |
Tensor
|
مساحة كل مربع مربع محيط للحقيقة الأرضية (n ،). |
مطلوب |
ارجاع:
نوع | وصف |
---|---|
Tensor
|
فقدان القناع المحسوب لصورة واحدة. |
تلاحظ
تستخدم الدالة المعادلة pred_mask = torch.einsum ('in,nhw->ihw', pred, proto) لإنتاج الأقنعة المتوقعة من أقنعة النموذج الأولي ومعاملات القناع المتوقعة.
شفرة المصدر في ultralytics/utils/loss.py
ultralytics.utils.loss.v8PoseLoss
قواعد: v8DetectionLoss
فئة المعيار لخسائر التدريب على الحوسبة.
شفرة المصدر في ultralytics/utils/loss.py
434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 |
|
__call__(preds, batch)
احسب الخسارة الكلية وافصلها.
شفرة المصدر في ultralytics/utils/loss.py
__init__(model)
تهيئة v8PoseLoss مع النموذج، وتعيين متغيرات النقطة الرئيسية والإعلان عن مثيل فقدان نقطة رئيسية.
شفرة المصدر في ultralytics/utils/loss.py
calculate_keypoints_loss(masks, target_gt_idx, keypoints, batch_idx, stride_tensor, target_bboxes, pred_kpts)
احسب خسارة النقاط الرئيسية للنموذج.
تحسب هذه الدالة خسارة النقاط الرئيسية وفقدان كائن النقاط الرئيسية لدفعة معينة. خسارة النقاط الرئيسية هي استنادا إلى الفرق بين النقاط الرئيسية المتوقعة والنقاط الرئيسية للحقيقة الأساسية. فقدان كائن النقاط الرئيسية هو خسارة تصنيف ثنائي تصنف ما إذا كانت النقطة الرئيسية موجودة أم لا.
البارامترات:
اسم | نوع | وصف | افتراضي |
---|---|---|---|
masks |
Tensor
|
قناع ثنائي tensor تشير إلى وجود الكائن والشكل (BS ، N_anchors). |
مطلوب |
target_gt_idx |
Tensor
|
فهرس tensor تعيين المراسي لكائنات الحقيقة الأرضية ، الشكل (BS ، N_anchors). |
مطلوب |
keypoints |
Tensor
|
النقاط الرئيسية للحقيقة الأرضية ، الشكل (N_kpts_in_batch ، N_kpts_per_object ، kpts_dim). |
مطلوب |
batch_idx |
Tensor
|
فهرس الدفعات tensor بالنسبة للنقاط الرئيسية، الشكل (N_kpts_in_batch، 1). |
مطلوب |
stride_tensor |
Tensor
|
خطوه tensor للمراسي ، الشكل (N_anchors ، 1). |
مطلوب |
target_bboxes |
Tensor
|
مربعات الحقيقة الأرضية بتنسيق (x1 ، y1 ، x2 ، y2) ، شكل (BS ، N_anchors ، 4). |
مطلوب |
pred_kpts |
Tensor
|
النقاط الرئيسية المتوقعة، الشكل (BS، N_anchors، N_kpts_per_object، kpts_dim). |
مطلوب |
ارجاع:
نوع | وصف |
---|---|
tuple
|
إرجاع مجموعة تحتوي على: - kpts_loss (torch.Tensor): فقدان النقاط الرئيسية. - kpts_obj_loss (torch.Tensor): فقدان كائن النقاط الرئيسية. |
شفرة المصدر في ultralytics/utils/loss.py
kpts_decode(anchor_points, pred_kpts)
staticmethod
يفك تشفير النقاط الرئيسية المتوقعة لإحداثيات الصورة.
شفرة المصدر في ultralytics/utils/loss.py
ultralytics.utils.loss.v8ClassificationLoss
فئة المعيار لخسائر التدريب على الحوسبة.
شفرة المصدر في ultralytics/utils/loss.py
__call__(preds, batch)
احسب خسارة التصنيف بين التنبؤات والتسميات الحقيقية.
ultralytics.utils.loss.v8OBBLoss
قواعد: v8DetectionLoss
شفرة المصدر في ultralytics/utils/loss.py
600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 |
|
__call__(preds, batch)
حساب وإرجاع الخسارة ل YOLO نموذج.
شفرة المصدر في ultralytics/utils/loss.py
__init__(model)
تهيئة v8OBBLoss مع النموذج والمتنازل وفقدان bbox الذي تم تدويره.
يجب أن يكون نموذج الملاحظة غير متوازي.
شفرة المصدر في ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist, pred_angle)
فك تشفير إحداثيات المربع المحيط بالكائن المتوقع من نقاط الربط والتوزيع.
البارامترات:
اسم | نوع | وصف | افتراضي |
---|---|---|---|
anchor_points |
Tensor
|
نقاط الربط ، (h * w ، 2). |
مطلوب |
pred_dist |
Tensor
|
المسافة الدوارة المتوقعة ، (bs ، h * w ، 4). |
مطلوب |
pred_angle |
Tensor
|
الزاوية المتوقعة ، (bs ، h * w ، 1). |
مطلوب |
ارجاع:
نوع | وصف |
---|---|
Tensor
|
المربعات المحيطة الدوارة المتوقعة بزوايا ، (bs ، h * w ، 5). |
شفرة المصدر في ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
المعالجة المسبقة للعدد المستهدف والمطابقات مع حجم دفعة الإدخال لإخراج ملف tensor.