Tài liệu tham khảo cho ultralytics/utils/loss.py
Ghi
Tệp này có sẵn tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/utils/loss.py. Nếu bạn phát hiện ra một vấn đề, vui lòng giúp khắc phục nó bằng cách đóng góp Yêu cầu 🛠️ kéo. Cảm ơn bạn 🙏 !
ultralytics.utils.loss.VarifocalLoss
Căn cứ: Module
Mất varifocal của Zhang et al.
https://arxiv.org/abs/2008.13367.
Mã nguồn trong ultralytics/utils/loss.py
__init__()
forward(pred_score, gt_score, label, alpha=0.75, gamma=2.0)
staticmethod
Tính toán tổn thất varfocal.
Mã nguồn trong ultralytics/utils/loss.py
ultralytics.utils.loss.FocalLoss
Căn cứ: Module
Bao bọc tổn thất khu trú xung quanh loss_fcn () hiện có, tức là tiêu chí = FocalLoss (nn. BCEWithLogitsLoss(), gamma = 1,5).
Mã nguồn trong ultralytics/utils/loss.py
__init__()
forward(pred, label, gamma=1.5, alpha=0.25)
staticmethod
Tính toán và cập nhật ma trận nhầm lẫn cho các tác vụ phát hiện / phân loại đối tượng.
Mã nguồn trong ultralytics/utils/loss.py
ultralytics.utils.loss.BboxLoss
Căn cứ: Module
Lớp tiêu chí tính toán tổn thất đào tạo trong quá trình đào tạo.
Mã nguồn trong ultralytics/utils/loss.py
__init__(reg_max, use_dfl=False)
Khởi tạo mô-đun BboxLoss với cài đặt tối đa và DFL chính quy.
forward(pred_dist, pred_bboxes, anchor_points, target_bboxes, target_scores, target_scores_sum, fg_mask)
Mất IoU.
Mã nguồn trong ultralytics/utils/loss.py
ultralytics.utils.loss.RotatedBboxLoss
Căn cứ: BboxLoss
Lớp tiêu chí tính toán tổn thất đào tạo trong quá trình đào tạo.
Mã nguồn trong 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)
Mất IoU.
Mã nguồn trong ultralytics/utils/loss.py
ultralytics.utils.loss.KeypointLoss
Căn cứ: Module
Lớp tiêu chí tính toán tổn thất đào tạo.
Mã nguồn trong ultralytics/utils/loss.py
__init__(sigmas)
forward(pred_kpts, gt_kpts, kpt_mask, area)
Tính toán hệ số tổn thất điểm chính và tổn thất khoảng cách Euclid cho các điểm chính dự đoán và thực tế.
Mã nguồn trong ultralytics/utils/loss.py
ultralytics.utils.loss.v8DetectionLoss
Lớp tiêu chí tính toán tổn thất đào tạo.
Mã nguồn trong 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)
Tính tổng tổn thất cho hộp, cls và dfl nhân với kích thước lô.
Mã nguồn trong ultralytics/utils/loss.py
__init__(model)
Khởi tạo v8DetectionLoss với model, xác định các thuộc tính liên quan đến model và hàm mất BCE.
Mã nguồn trong ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist)
Giải mã tọa độ hộp giới hạn đối tượng dự đoán từ các điểm neo và phân bố.
Mã nguồn trong ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
Xử lý trước số lượng mục tiêu và khớp với kích thước lô đầu vào để xuất ra tensor.
Mã nguồn trong ultralytics/utils/loss.py
ultralytics.utils.loss.v8SegmentationLoss
Căn cứ: v8DetectionLoss
Lớp tiêu chí tính toán tổn thất đào tạo.
Mã nguồn trong 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)
Tính toán và trả lại tổn thất cho YOLO mẫu.
Mã nguồn trong 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)
Khởi tạo lớp v8SegmentationLoss, lấy một mô hình de-paralleled làm đối số.
calculate_segmentation_loss(fg_mask, masks, target_gt_idx, target_bboxes, batch_idx, proto, pred_masks, imgsz, overlap)
Tính toán tổn thất cho phân đoạn phiên bản.
Thông số:
Tên | Kiểu | Sự miêu tả | Mặc định |
---|---|---|---|
fg_mask |
Tensor
|
Một nhị phân tensor hình dạng (BS, N_anchors) cho biết neo nào là dương. |
bắt buộc |
masks |
Tensor
|
Mặt nạ sự thật mặt đất của hình dạng (BS, H, W) nếu |
bắt buộc |
target_gt_idx |
Tensor
|
Chỉ số của các đối tượng chân lý mặt đất cho mỗi neo hình dạng (BS, N_anchors). |
bắt buộc |
target_bboxes |
Tensor
|
Các hộp giới hạn sự thật nối đất cho mỗi mỏ neo có hình dạng (BS, N_anchors, 4). |
bắt buộc |
batch_idx |
Tensor
|
Chỉ số hàng loạt về hình dạng (N_labels_in_batch, 1). |
bắt buộc |
proto |
Tensor
|
Mặt nạ nguyên mẫu có hình dạng (BS, 32, H, W). |
bắt buộc |
pred_masks |
Tensor
|
Mặt nạ dự đoán cho mỗi mỏ neo hình dạng (BS, N_anchors, 32). |
bắt buộc |
imgsz |
Tensor
|
Kích thước của hình ảnh đầu vào dưới dạng tensor có hình dạng (2), tức là (H, W). |
bắt buộc |
overlap |
bool
|
Cho dù mặt nạ trong |
bắt buộc |
Trở lại:
Kiểu | Sự miêu tả |
---|---|
Tensor
|
Tổn thất được tính toán cho phân đoạn phiên bản. |
Ghi chú
Tổn thất hàng loạt có thể được tính toán để cải thiện tốc độ ở mức sử dụng bộ nhớ cao hơn. Ví dụ: pred_mask có thể được tính như sau: pred_mask = torch.einsum('in,nhw->ihw', pred, proto) # (i, 32) @ (32, 160, 160) -> (i, 160, 160)
Mã nguồn trong ultralytics/utils/loss.py
single_mask_loss(gt_mask, pred, proto, xyxy, area)
staticmethod
Tính toán tổn thất phân đoạn phiên bản cho một hình ảnh.
Thông số:
Tên | Kiểu | Sự miêu tả | Mặc định |
---|---|---|---|
gt_mask |
Tensor
|
Mặt nạ chân lý mặt đất của hình dạng (n, H, W), trong đó n là số lượng đối tượng. |
bắt buộc |
pred |
Tensor
|
Hệ số hình dạng mặt nạ dự đoán (n, 32). |
bắt buộc |
proto |
Tensor
|
Mặt nạ nguyên mẫu có hình dạng (32, H, W). |
bắt buộc |
xyxy |
Tensor
|
Các hộp giới hạn chân lý mặt đất ở định dạng xyxy, được chuẩn hóa thành [0, 1], có hình dạng (n, 4). |
bắt buộc |
area |
Tensor
|
Diện tích của mỗi hộp giới hạn chân lý mặt đất có hình dạng (n,). |
bắt buộc |
Trở lại:
Kiểu | Sự miêu tả |
---|---|
Tensor
|
Mất mặt nạ được tính toán cho một hình ảnh. |
Ghi chú
Hàm sử dụng phương trình pred_mask = torch.einsum('in,nhw->ihw', pred, proto) để tạo ra mặt nạ dự đoán từ mặt nạ nguyên mẫu và hệ số mặt nạ dự đoán.
Mã nguồn trong ultralytics/utils/loss.py
ultralytics.utils.loss.v8PoseLoss
Căn cứ: v8DetectionLoss
Lớp tiêu chí tính toán tổn thất đào tạo.
Mã nguồn trong 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)
Tính tổng tổn thất và tách nó ra.
Mã nguồn trong ultralytics/utils/loss.py
__init__(model)
Khởi tạo v8PoseLoss với model, đặt các biến keypoint và khai báo một instance mất keypoint.
Mã nguồn trong ultralytics/utils/loss.py
calculate_keypoints_loss(masks, target_gt_idx, keypoints, batch_idx, stride_tensor, target_bboxes, pred_kpts)
Tính toán tổn thất điểm chính cho mô hình.
Hàm này tính toán tổn thất điểm chính và mất đối tượng điểm chính cho một lô nhất định. Mất điểm chính là dựa trên sự khác biệt giữa các điểm chính được dự đoán và các điểm chính sự thật cơ bản. Mất đối tượng điểm chính là Một mất mát phân loại nhị phân phân loại xem một điểm chính có mặt hay không.
Thông số:
Tên | Kiểu | Sự miêu tả | Mặc định |
---|---|---|---|
masks |
Tensor
|
Mặt nạ nhị phân tensor chỉ ra sự hiện diện của đối tượng, hình dạng (BS, N_anchors). |
bắt buộc |
target_gt_idx |
Tensor
|
Chỉ số tensor ánh xạ neo đến mặt đất các đối tượng, hình dạng sự thật (BS, N_anchors). |
bắt buộc |
keypoints |
Tensor
|
Điểm mấu chốt, hình dạng (N_kpts_in_batch, N_kpts_per_object, kpts_dim). |
bắt buộc |
batch_idx |
Tensor
|
Chỉ số hàng loạt tensor Đối với các điểm chính, hình dạng (N_kpts_in_batch, 1). |
bắt buộc |
stride_tensor |
Tensor
|
Stride tensor Đối với neo, hình dạng (N_anchors, 1). |
bắt buộc |
target_bboxes |
Tensor
|
Hộp sự thật nối đất ở định dạng (x1, y1, x2, y2), hình dạng (BS, N_anchors, 4). |
bắt buộc |
pred_kpts |
Tensor
|
Các điểm chính, hình dạng dự đoán (BS, N_anchors, N_kpts_per_object, kpts_dim). |
bắt buộc |
Trở lại:
Kiểu | Sự miêu tả |
---|---|
tuple
|
Trả về một bộ dữ liệu chứa: - kpts_loss (torch.Tensor): Mất điểm chính. - kpts_obj_loss (torch.Tensor): Mất đối tượng điểm chính. |
Mã nguồn trong ultralytics/utils/loss.py
kpts_decode(anchor_points, pred_kpts)
staticmethod
Giải mã các điểm chính dự đoán thành tọa độ hình ảnh.
Mã nguồn trong ultralytics/utils/loss.py
ultralytics.utils.loss.v8ClassificationLoss
Lớp tiêu chí tính toán tổn thất đào tạo.
Mã nguồn trong ultralytics/utils/loss.py
__call__(preds, batch)
Tính toán tổn thất phân loại giữa dự đoán và nhãn thật.
ultralytics.utils.loss.v8OBBLoss
Căn cứ: v8DetectionLoss
Mã nguồn trong 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)
Tính toán và trả lại tổn thất cho YOLO mẫu.
Mã nguồn trong ultralytics/utils/loss.py
__init__(model)
Khởi tạo v8OBBLoss với model, assigner và mất bbox xoay.
Lưu ý mô hình phải được de-paralleled.
Mã nguồn trong ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist, pred_angle)
Giải mã tọa độ hộp giới hạn đối tượng dự đoán từ các điểm neo và phân bố.
Thông số:
Tên | Kiểu | Sự miêu tả | Mặc định |
---|---|---|---|
anchor_points |
Tensor
|
Điểm neo, (h * w, 2). |
bắt buộc |
pred_dist |
Tensor
|
Khoảng cách quay dự đoán, (bs, h * w, 4). |
bắt buộc |
pred_angle |
Tensor
|
Góc dự đoán, (bs, h * w, 1). |
bắt buộc |
Trở lại:
Kiểu | Sự miêu tả |
---|---|
Tensor
|
Các hộp giới hạn xoay dự đoán với các góc, (bs, h * w, 5). |
Mã nguồn trong ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
Xử lý trước số lượng mục tiêu và khớp với kích thước lô đầu vào để xuất ra tensor.