Referência para ultralytics/utils/loss.py
Nota
Este ficheiro está disponível em https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/utils/loss .py. Se detectares um problema, por favor ajuda a corrigi-lo contribuindo com um Pull Request 🛠️. Obrigado 🙏!
ultralytics.utils.loss.VarifocalLoss
Bases: Module
Perda varifocal por Zhang et al.
https://arxiv.org/abs/2008.13367.
Código fonte em ultralytics/utils/loss.py
__init__()
forward(pred_score, gt_score, label, alpha=0.75, gamma=2.0)
staticmethod
Calcula a perda varfocal.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.FocalLoss
Bases: Module
Envolve a perda focal em torno de loss_fcn() existente, ou seja, criteria = FocalLoss(nn.BCEWithLogitsLoss(), gamma=1,5).
Código fonte em ultralytics/utils/loss.py
__init__()
forward(pred, label, gamma=1.5, alpha=0.25)
staticmethod
Calcula e actualiza a matriz de confusão para tarefas de deteção/classificação de objectos.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.BboxLoss
Bases: Module
Classe de critérios para calcular as perdas de formação durante o treino.
Código fonte em ultralytics/utils/loss.py
__init__(reg_max, use_dfl=False)
Inicializa o módulo BboxLoss com as definições de regularização máxima e DFL.
forward(pred_dist, pred_bboxes, anchor_points, target_bboxes, target_scores, target_scores_sum, fg_mask)
Perde o IoU.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.RotatedBboxLoss
Bases: BboxLoss
Classe de critérios para calcular as perdas de formação durante o treino.
Código fonte em 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)
Perde o IoU.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.KeypointLoss
Bases: Module
Classe de critérios para calcular as perdas de formação.
Código fonte em ultralytics/utils/loss.py
__init__(sigmas)
forward(pred_kpts, gt_kpts, kpt_mask, area)
Calcula o fator de perda de pontos-chave e a perda de distância euclidiana para pontos-chave previstos e reais.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.v8DetectionLoss
Classe de critérios para calcular as perdas de formação.
Código fonte em 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 a soma da perda para a caixa, cls e dfl multiplicada pelo tamanho do lote.
Código fonte em ultralytics/utils/loss.py
__init__(model)
Inicializa o v8DetectionLoss com o modelo, definindo as propriedades relacionadas com o modelo e a função de perda BCE.
Código fonte em ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist)
Descodifica as coordenadas da caixa delimitadora do objeto previsto a partir dos pontos de ancoragem e da distribuição.
Código fonte em ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
Pré-processa as contagens alvo e faz a correspondência com o tamanho do lote de entrada para produzir um tensor.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.v8SegmentationLoss
Bases: v8DetectionLoss
Classe de critérios para calcular as perdas de formação.
Código fonte em 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 e devolve a perda para o modelo YOLO .
Código fonte em 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 a classe v8SegmentationLoss, recebendo como argumento um modelo desparalelizado.
calculate_segmentation_loss(fg_mask, masks, target_gt_idx, target_bboxes, batch_idx, proto, pred_masks, imgsz, overlap)
Calcula a perda para a segmentação da instância.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
fg_mask |
Tensor
|
Um tensor binário de forma (BS, N_âncoras) que indica quais as âncoras que são positivas. |
necessário |
masks |
Tensor
|
Máscaras de verdade terrestre de forma (BS, H, W) se |
necessário |
target_gt_idx |
Tensor
|
Índices de objectos verdadeiros para cada âncora da forma (BS, N_âncoras). |
necessário |
target_bboxes |
Tensor
|
Caixas de delimitação da verdade terrestre para cada âncora da forma (BS, N_âncoras, 4). |
necessário |
batch_idx |
Tensor
|
Índices de lotes com a forma (N_labels_in_batch, 1). |
necessário |
proto |
Tensor
|
Protótipo de máscaras de forma (BS, 32, H, W). |
necessário |
pred_masks |
Tensor
|
Máscaras previstas para cada âncora da forma (BS, N_âncoras, 32). |
necessário |
imgsz |
Tensor
|
Tamanho da imagem de entrada como um tensor da forma (2), ou seja, (H, W). |
necessário |
overlap |
bool
|
Se as máscaras de |
necessário |
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
A perda calculada para a segmentação da instância. |
Notas
A perda de lotes pode ser calculada para melhorar a velocidade com maior utilização de memória. Por exemplo, pred_mask pode ser calculado da seguinte forma: pred_mask = torch.einsum('in,nhw->ihw', pred, proto) # (i, 32) @ (32, 160, 160) -> (i, 160, 160)
Código fonte em ultralytics/utils/loss.py
single_mask_loss(gt_mask, pred, proto, xyxy, area)
staticmethod
Calcula a perda de segmentação da instância para uma única imagem.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
gt_mask |
Tensor
|
Máscara de verdade terrestre de forma (n, H, W), em que n é o número de objectos. |
necessário |
pred |
Tensor
|
Coeficientes de máscara de forma previstos (n, 32). |
necessário |
proto |
Tensor
|
Protótipo de máscaras de forma (32, H, W). |
necessário |
xyxy |
Tensor
|
Caixas delimitadoras de verdade terrestre em formato xyxy, normalizadas para [0, 1], de forma (n, 4). |
necessário |
area |
Tensor
|
Área de cada caixa delimitadora da verdade terrestre da forma (n,). |
necessário |
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
Calcula a perda de máscara para uma única imagem. |
Notas
A função utiliza a equação pred_mask = torch.einsum('in,nhw->ihw', pred, proto) para produzir as máscaras para produzir as máscaras previstas a partir das máscaras protótipo e dos coeficientes de máscara previstos.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.v8PoseLoss
Bases: v8DetectionLoss
Classe de critérios para calcular as perdas de formação.
Código fonte em 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 a perda total e separa-o.
Código fonte em ultralytics/utils/loss.py
__init__(model)
Inicializa o v8PoseLoss com o modelo, define as variáveis de ponto-chave e declara uma instância de perda de ponto-chave.
Código fonte em ultralytics/utils/loss.py
calculate_keypoints_loss(masks, target_gt_idx, keypoints, batch_idx, stride_tensor, target_bboxes, pred_kpts)
Calcula a perda de pontos-chave para o modelo.
Esta função calcula a perda de pontos-chave e a perda de objectos de pontos-chave para um determinado lote. A perda de pontos-chave é baseia-se na diferença entre os pontos-chave previstos e os pontos-chave verdadeiros. A perda de objectos de pontos-chave é uma perda de classificação binária que classifica se um ponto-chave está presente ou não.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
masks |
Tensor
|
Máscara binária tensor indicando a presença do objeto, forma (BS, N_anchors). |
necessário |
target_gt_idx |
Tensor
|
Índice tensor mapeamento de âncoras para objectos de verdade terrestre, forma (BS, N_âncoras). |
necessário |
keypoints |
Tensor
|
Pontos-chave da verdade terrestre, forma (N_kpts_in_batch, N_kpts_per_object, kpts_dim). |
necessário |
batch_idx |
Tensor
|
Índice do lote tensor para pontos-chave, forma (N_kpts_in_batch, 1). |
necessário |
stride_tensor |
Tensor
|
Desloca-te tensor para as âncoras, forma (N_âncoras, 1). |
necessário |
target_bboxes |
Tensor
|
Caixas de verdade terrestre no formato (x1, y1, x2, y2), forma (BS, N_âncoras, 4). |
necessário |
pred_kpts |
Tensor
|
Pontos-chave previstos, forma (BS, N_âncoras, N_kpts_por_objecto, kpts_dim). |
necessário |
Devolve:
Tipo | Descrição |
---|---|
tuple
|
Devolve uma tupla contendo: - kpts_loss (torch.Tensor): A perda dos pontos-chave. - kpts_obj_loss (torch.Tensor): A perda do objeto de pontos-chave. |
Código fonte em ultralytics/utils/loss.py
kpts_decode(anchor_points, pred_kpts)
staticmethod
Descodifica os pontos-chave previstos para coordenadas de imagem.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.v8ClassificationLoss
Classe de critérios para calcular as perdas de formação.
Código fonte em ultralytics/utils/loss.py
__call__(preds, batch)
Calcula a perda de classificação entre as previsões e as etiquetas verdadeiras.
Código fonte em ultralytics/utils/loss.py
ultralytics.utils.loss.v8OBBLoss
Bases: v8DetectionLoss
Código fonte em 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 e devolve a perda para o modelo YOLO .
Código fonte em ultralytics/utils/loss.py
__init__(model)
Inicializa a v8OBBLoss com o modelo, o atribuidor e a perda de bbox rodada.
Nota: o modelo deve ser desparalelizado.
Código fonte em ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist, pred_angle)
Descodifica as coordenadas da caixa delimitadora do objeto previsto a partir dos pontos de ancoragem e da distribuição.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
anchor_points |
Tensor
|
Pontos de ancoragem, (h*w, 2). |
necessário |
pred_dist |
Tensor
|
Distância rodada prevista, (bs, h*w, 4). |
necessário |
pred_angle |
Tensor
|
Ângulo previsto, (bs, h*w, 1). |
necessário |
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
Caixas delimitadoras rodadas previstas com ângulos, (bs, h*w, 5). |
Código fonte em ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
Pré-processa as contagens alvo e faz a correspondência com o tamanho do lote de entrada para produzir um tensor.
Código fonte em ultralytics/utils/loss.py
Criado em 2023-11-12, Atualizado em 2024-05-08
Autores: Burhan-Q (1), glenn-jocher (4), Laughing-q (1)