Referencia para ultralytics/utils/loss.py
Nota
Este archivo está disponible en https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/utils/loss .py. Si detectas algún problema, por favor, ayuda a solucionarlo contribuyendo con una Pull Request 🛠️. ¡Gracias 🙏!
ultralytics.utils.loss.VarifocalLoss
Bases: Module
Pérdida varifocal por Zhang et al.
https://arxiv.org/abs/2008.13367.
Código fuente en ultralytics/utils/loss.py
__init__()
forward(pred_score, gt_score, label, alpha=0.75, gamma=2.0)
staticmethod
Calcula la pérdida varfocal.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.FocalLoss
Bases: Module
Envuelve la pérdida focal alrededor de loss_fcn() existente, es decir, criteria = FocalLoss(nn.BCEWithLogitsLoss(), gamma=1,5).
Código fuente en ultralytics/utils/loss.py
__init__()
forward(pred, label, gamma=1.5, alpha=0.25)
staticmethod
Calcula y actualiza la matriz de confusión para tareas de detección/clasificación de objetos.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.BboxLoss
Bases: Module
Clase de criterio para calcular las pérdidas durante el entrenamiento.
Código fuente en ultralytics/utils/loss.py
__init__(reg_max, use_dfl=False)
Inicializa el módulo BboxLoss con los ajustes de regularización máxima y DFL.
forward(pred_dist, pred_bboxes, anchor_points, target_bboxes, target_scores, target_scores_sum, fg_mask)
Pérdida de IoU.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.RotatedBboxLoss
Bases: BboxLoss
Clase de criterio para calcular las pérdidas durante el entrenamiento.
Código fuente en 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)
Pérdida de IoU.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.KeypointLoss
Bases: Module
Clase de criterio para calcular las pérdidas de entrenamiento.
Código fuente en ultralytics/utils/loss.py
__init__(sigmas)
forward(pred_kpts, gt_kpts, kpt_mask, area)
Calcula el factor de pérdida de puntos clave y la pérdida de distancia euclidiana para los puntos clave previstos y reales.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.v8DetectionLoss
Clase de criterio para calcular las pérdidas de entrenamiento.
Código fuente en ultralytics/utils/loss.py
148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 |
|
__call__(preds, batch)
Calcula la suma de la pérdida por caja, cls y dfl multiplicada por el tamaño del lote.
Código fuente en ultralytics/utils/loss.py
__init__(model)
Inicializa v8DetectionLoss con el modelo, definiendo las propiedades relacionadas con el modelo y la función de pérdida BCE.
Código fuente en ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist)
Decodifica las coordenadas del cuadro delimitador del objeto predicho a partir de los puntos de anclaje y la distribución.
Código fuente en ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
Preprocesa los recuentos objetivo y los compara con el tamaño del lote de entrada para obtener una salida tensor.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.v8SegmentationLoss
Bases: v8DetectionLoss
Clase de criterio para calcular las pérdidas de entrenamiento.
Código fuente en 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)
Calcula y devuelve la pérdida del modelo YOLO .
Código fuente en ultralytics/utils/loss.py
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 |
|
__init__(model)
Inicializa la clase v8SegmentationLoss, tomando como argumento un modelo desparalizado.
calculate_segmentation_loss(fg_mask, masks, target_gt_idx, target_bboxes, batch_idx, proto, pred_masks, imgsz, overlap)
Calcula la pérdida por segmentación de instancia.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
fg_mask |
Tensor
|
Un tensor binario de forma (BS, N_anclas) que indica qué anclas son positivas. |
necesario |
masks |
Tensor
|
Máscaras de la verdad sobre el terreno de forma (BS, H, W) si |
necesario |
target_gt_idx |
Tensor
|
Índices de objetos verdaderos para cada ancla de forma (BS, N_anclas). |
necesario |
target_bboxes |
Tensor
|
Cajas delimitadoras de la verdad sobre el terreno para cada ancla de la forma (BS, N_anclas, 4). |
necesario |
batch_idx |
Tensor
|
Índices de lote de forma (N_etiquetas_en_lote, 1). |
necesario |
proto |
Tensor
|
Prototipos de máscaras de forma (BS, 32, H, W). |
necesario |
pred_masks |
Tensor
|
Máscaras previstas para cada ancla de forma (BS, N_anclas, 32). |
necesario |
imgsz |
Tensor
|
Tamaño de la imagen de entrada como tensor de la forma (2), es decir, (H, W). |
necesario |
overlap |
bool
|
Si las máscaras de |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
Tensor
|
La pérdida calculada para la segmentación por ejemplo. |
Notas
La pérdida por lotes puede calcularse para mejorar la velocidad con un mayor uso de memoria. Por ejemplo, pred_mask se puede calcular de la siguiente manera: pred_mask = torch.einsum('in,nhw->ihw', pred, proto) # (i, 32) @ (32, 160, 160) -> (i, 160, 160)
Código fuente en ultralytics/utils/loss.py
single_mask_loss(gt_mask, pred, proto, xyxy, area)
staticmethod
Calcula la pérdida de segmentación de la instancia para una sola imagen.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
gt_mask |
Tensor
|
Máscara de la verdad sobre el terreno de forma (n, H, W), donde n es el número de objetos. |
necesario |
pred |
Tensor
|
Coeficientes predichos de la máscara de forma (n, 32). |
necesario |
proto |
Tensor
|
Prototipos de máscaras de forma (32, H, A). |
necesario |
xyxy |
Tensor
|
Cuadros delimitadores de la verdad sobre el terreno en formato xyxy, normalizados a [0, 1], de forma (n, 4). |
necesario |
area |
Tensor
|
Área de cada cuadro delimitador de la verdad sobre el terreno de la forma (n,). |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
Tensor
|
La pérdida de máscara calculada para una sola imagen. |
Notas
La función utiliza la ecuación pred_mask = torch.einsum('in,nhw->ihw', pred, proto) para producir las máscaras predichas a partir de las máscaras prototipo y los coeficientes de máscara predichos.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.v8PoseLoss
Bases: v8DetectionLoss
Clase de criterio para calcular las pérdidas de entrenamiento.
Código fuente en 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)
Calcula la pérdida total y sepárala.
Código fuente en ultralytics/utils/loss.py
__init__(model)
Inicializa v8PoseLoss con el modelo, establece variables de punto clave y declara una instancia de pérdida de punto clave.
Código fuente en ultralytics/utils/loss.py
calculate_keypoints_loss(masks, target_gt_idx, keypoints, batch_idx, stride_tensor, target_bboxes, pred_kpts)
Calcula la pérdida de puntos clave del modelo.
Esta función calcula la pérdida de puntos clave y la pérdida de objetos de puntos clave de un lote determinado. La pérdida de puntos clave basada en la diferencia entre los puntos clave predichos y los puntos clave reales. La pérdida por objeto de los puntos clave es una pérdida de clasificación binaria que clasifica si un punto clave está presente o no.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
masks |
Tensor
|
Máscara binaria tensor que indica la presencia del objeto, forma (BS, N_anclajes). |
necesario |
target_gt_idx |
Tensor
|
Índice tensor que asigna anclas a objetos de la verdad sobre el terreno, forma (BS, N_anclas). |
necesario |
keypoints |
Tensor
|
Puntos clave de la verdad sobre el terreno, forma (N_kpts_en_lote, N_kpts_por_objeto, kpts_dim). |
necesario |
batch_idx |
Tensor
|
Índice de lote tensor para puntos clave, forma (N_kpts_en_lote, 1). |
necesario |
stride_tensor |
Tensor
|
Zancada tensor para anclas, forma (N_anclas, 1). |
necesario |
target_bboxes |
Tensor
|
Cajas de verdad sobre el terreno en formato (x1, y1, x2, y2), forma (BS, N_anclajes, 4). |
necesario |
pred_kpts |
Tensor
|
Puntos clave previstos, forma (BS, N_anclajes, N_kpts_por_objeto, kpts_dim). |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
tuple
|
Devuelve una tupla que contiene: - kpts_loss (torch.Tensor): La pérdida de puntos clave. - kpts_obj_loss (torch.Tensor): La pérdida de los puntos clave del objeto. |
Código fuente en ultralytics/utils/loss.py
kpts_decode(anchor_points, pred_kpts)
staticmethod
Decodifica los puntos clave previstos en coordenadas de imagen.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.v8ClassificationLoss
Clase de criterio para calcular las pérdidas de entrenamiento.
Código fuente en ultralytics/utils/loss.py
__call__(preds, batch)
Calcula la pérdida de clasificación entre las predicciones y las etiquetas verdaderas.
Código fuente en ultralytics/utils/loss.py
ultralytics.utils.loss.v8OBBLoss
Bases: v8DetectionLoss
Código fuente en 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)
Calcula y devuelve la pérdida del modelo YOLO .
Código fuente en ultralytics/utils/loss.py
__init__(model)
Inicializa v8OBBLoss con el modelo, el asignador y la pérdida bbox rotada.
Ten en cuenta que el modelo debe estar desparalizado.
Código fuente en ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist, pred_angle)
Decodifica las coordenadas del cuadro delimitador del objeto predicho a partir de los puntos de anclaje y la distribución.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
anchor_points |
Tensor
|
Puntos de anclaje, (h*w, 2). |
necesario |
pred_dist |
Tensor
|
Distancia rotada prevista, (bs, h*w, 4). |
necesario |
pred_angle |
Tensor
|
Ángulo previsto, (bs, h*w, 1). |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
Tensor
|
Cajas delimitadoras rotadas predichas con ángulos, (bs, h*w, 5). |
Código fuente en ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
Preprocesa los recuentos objetivo y los compara con el tamaño del lote de entrada para obtener una salida tensor.