Referentie voor ultralytics/utils/loss.py
Opmerking
Dit bestand is beschikbaar op https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/utils/loss .py. Als je een probleem ziet, help het dan oplossen door een Pull Request 🛠️ bij te dragen. Bedankt 🙏!
ultralytics.utils.loss.VarifocalLoss
Basis: Module
Varifocaal verlies door Zhang et al.
https://arxiv.org/abs/2008.13367.
Broncode in ultralytics/utils/loss.py
__init__()
forward(pred_score, gt_score, label, alpha=0.75, gamma=2.0)
staticmethod
Berekent varfocaal verlies.
Broncode in ultralytics/utils/loss.py
ultralytics.utils.loss.FocalLoss
Basis: Module
Wikkelt focaal verlies om bestaand verlies_fcn(), d.w.z. criteria = focaal verlies(nn.BCEWithLogitsLoss(), gamma=1.5).
Broncode in ultralytics/utils/loss.py
__init__()
forward(pred, label, gamma=1.5, alpha=0.25)
staticmethod
Berekent de verwarringmatrix voor objectdetectie/classificatietaken en werkt deze bij.
Broncode in ultralytics/utils/loss.py
ultralytics.utils.loss.BboxLoss
Basis: Module
Criteriumklasse voor het berekenen van trainingsverliezen tijdens de training.
Broncode in ultralytics/utils/loss.py
__init__(reg_max, use_dfl=False)
Initialiseer de BboxLoss module met de maximale regularisatie en DFL instellingen.
forward(pred_dist, pred_bboxes, anchor_points, target_bboxes, target_scores, target_scores_sum, fg_mask)
Verlies van IoU.
Broncode in ultralytics/utils/loss.py
ultralytics.utils.loss.RotatedBboxLoss
Basis: BboxLoss
Criteriumklasse voor het berekenen van trainingsverliezen tijdens de training.
Broncode in 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)
Verlies van IoU.
Broncode in ultralytics/utils/loss.py
ultralytics.utils.loss.KeypointLoss
Basis: Module
Criteriumklasse voor het berekenen van trainingsverliezen.
Broncode in ultralytics/utils/loss.py
__init__(sigmas)
forward(pred_kpts, gt_kpts, kpt_mask, area)
Berekent verliesfactor voor sleutelpunten en Euclidische afstandsverlies voor voorspelde en werkelijke sleutelpunten.
Broncode in ultralytics/utils/loss.py
ultralytics.utils.loss.v8DetectionLoss
Criteriumklasse voor het berekenen van trainingsverliezen.
Broncode in 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)
Bereken de som van het verlies voor box, cls en dfl vermenigvuldigd met de batchgrootte.
Broncode in ultralytics/utils/loss.py
__init__(model)
Initialiseert v8DetectionLoss met het model, definieert modelgerelateerde eigenschappen en de BCE-verliesfunctie.
Broncode in ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist)
Decodeer de voorspelde coördinaten van de objectgrenzen op basis van ankerpunten en verdeling.
Broncode in ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
Verwerkt de doeltellingen en vergelijkt deze met de ingevoerde partijgrootte om een tensor uit te voeren.
Broncode in ultralytics/utils/loss.py
ultralytics.utils.loss.v8SegmentationLoss
Basis: v8DetectionLoss
Criteriumklasse voor het berekenen van trainingsverliezen.
Broncode in 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)
Bereken het verlies voor het model YOLO en stuur het terug.
Broncode in 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)
Initialiseert de klasse v8SegmentationLoss met als argument een ontpareld model.
calculate_segmentation_loss(fg_mask, masks, target_gt_idx, target_bboxes, batch_idx, proto, pred_masks, imgsz, overlap)
Bereken het verlies voor bijvoorbeeld segmentatie.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
fg_mask |
Tensor
|
Een binaire tensor van de vorm (BS, N_anchors) die aangeeft welke ankers positief zijn. |
vereist |
masks |
Tensor
|
Grondwaarheidsmaskers van vorm (BS, H, W) als |
vereist |
target_gt_idx |
Tensor
|
Indexen van grondwaarheidsobjecten voor elk anker van vorm (BS, N_anchors). |
vereist |
target_bboxes |
Tensor
|
Grondwaarheidsgrenzen voor elk anker van de vorm (BS, N_anchors, 4). |
vereist |
batch_idx |
Tensor
|
Batchindices van de vorm (N_labels_in_batch, 1). |
vereist |
proto |
Tensor
|
Prototype maskers van vorm (BS, 32, H, W). |
vereist |
pred_masks |
Tensor
|
Voorspelde maskers voor elk anker van de vorm (BS, N_anchors, 32). |
vereist |
imgsz |
Tensor
|
Grootte van de invoerafbeelding als een tensor van vorm (2), d.w.z. (H, W). |
vereist |
overlap |
bool
|
Of de maskers in |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Het berekende verlies voor bijvoorbeeld segmentatie. |
Opmerkingen
Het batchverlies kan worden berekend voor verbeterde snelheid bij hoger geheugengebruik. Pred_mask kan bijvoorbeeld als volgt worden berekend: pred_mask = torch.einsum('in,nhw->ihw', pred, proto) # (i, 32) @ (32, 160, 160) -> (i, 160, 160)
Broncode in ultralytics/utils/loss.py
single_mask_loss(gt_mask, pred, proto, xyxy, area)
staticmethod
Bereken het segmentatieverlies voor een enkele afbeelding.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
gt_mask |
Tensor
|
Ground truth masker van vorm (n, H, W), waarbij n het aantal objecten is. |
vereist |
pred |
Tensor
|
Voorspelde maskercoëfficiënten van vorm (n, 32). |
vereist |
proto |
Tensor
|
Prototype maskers van vorm (32, H, B). |
vereist |
xyxy |
Tensor
|
Ground truth bounding boxes in xyxy formaat, genormaliseerd naar [0, 1], van vorm (n, 4). |
vereist |
area |
Tensor
|
Oppervlakte van elke ground truth bounding box van vorm (n,). |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Het berekende maskerverlies voor een enkele afbeelding. |
Opmerkingen
De functie gebruikt de vergelijking pred_mask = torch.einsum('in,nhw->ihw', pred, proto) om de voorspelde maskers te produceren uit de prototype maskers en voorspelde maskercoëfficiënten.
Broncode in ultralytics/utils/loss.py
ultralytics.utils.loss.v8PoseLoss
Basis: v8DetectionLoss
Criteriumklasse voor het berekenen van trainingsverliezen.
Broncode in 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)
Bereken het totale verlies en maak het los.
Broncode in ultralytics/utils/loss.py
__init__(model)
Initialiseert v8PoseLoss met model, stelt kernpuntvariabelen in en declareert een kernpuntverliesinstantie.
Broncode in ultralytics/utils/loss.py
calculate_keypoints_loss(masks, target_gt_idx, keypoints, batch_idx, stride_tensor, target_bboxes, pred_kpts)
Bereken het sleutelpuntverlies voor het model.
Deze functie berekent het verlies aan sleutelpunten en het verlies aan sleutelpuntobjecten voor een gegeven batch. Het sleutelpuntverlies is gebaseerd op het verschil tussen de voorspelde toetspunten en de werkelijke toetspunten. Het verlies van het sleutelpuntobject is een binair classificatieverlies dat classificeert of een toetspunt aanwezig is of niet.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
masks |
Tensor
|
Binair masker tensor dat de aanwezigheid van het object aangeeft, vorm (BS, N_anchors). |
vereist |
target_gt_idx |
Tensor
|
Index tensor mapping ankers naar ground truth objecten, vorm (BS, N_anchors). |
vereist |
keypoints |
Tensor
|
Grondwaarheid toetspunten, vorm (N_kpts_in_batch, N_kpts_per_object, kpts_dim). |
vereist |
batch_idx |
Tensor
|
Batchindex tensor voor sleutelpunten, vorm (N_kpts_in_batch, 1). |
vereist |
stride_tensor |
Tensor
|
Stride tensor voor ankers, vorm (N_anchors, 1). |
vereist |
target_bboxes |
Tensor
|
Ground truth boxes in (x1, y1, x2, y2) formaat, vorm (BS, N_anchors, 4). |
vereist |
pred_kpts |
Tensor
|
Voorspelde sleutelpunten, vorm (BS, N_anchors, N_kpts_per_object, kpts_dim). |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
tuple
|
Geeft een tupel terug die bevat: - kpts_loss (torch.Tensor): Het verlies van de sleutelpunten. - kpts_obj_loss (torch.Tensor): Het verlies van het sleutelpuntenobject. |
Broncode in ultralytics/utils/loss.py
kpts_decode(anchor_points, pred_kpts)
staticmethod
Decodeert voorspelde sleutelpunten naar beeldcoördinaten.
Broncode in ultralytics/utils/loss.py
ultralytics.utils.loss.v8ClassificationLoss
Criteriumklasse voor het berekenen van trainingsverliezen.
Broncode in ultralytics/utils/loss.py
__call__(preds, batch)
Bereken het classificatieverlies tussen voorspellingen en ware labels.
ultralytics.utils.loss.v8OBBLoss
Basis: v8DetectionLoss
Broncode in 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)
Bereken het verlies voor het model YOLO en stuur het terug.
Broncode in ultralytics/utils/loss.py
__init__(model)
Initialiseert v8OBBLoss met model, toewijzer en geroteerd bbox-verlies.
Let op: het model moet worden gedeparallelliseerd.
Broncode in ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist, pred_angle)
Decodeer de voorspelde coördinaten van de objectgrenzen op basis van ankerpunten en verdeling.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
anchor_points |
Tensor
|
Ankerpunten, (h*w, 2). |
vereist |
pred_dist |
Tensor
|
Voorspelde geroteerde afstand, (bs, h*w, 4). |
vereist |
pred_angle |
Tensor
|
Voorspelde hoek, (bs, h*w, 1). |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Voorspelde geroteerde bounding boxes met hoeken, (bs, h*w, 5). |
Broncode in ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
Verwerkt de doeltellingen en vergelijkt deze met de ingevoerde partijgrootte om een tensor uit te voeren.