参考资料 ultralytics/utils/loss.py
备注
该文件可从https://github.com/ultralytics/ultralytics/blob/main/ ultralytics/utils/loss .py。如果您发现问题,请通过提交 Pull Request🛠️ 帮助修复。谢谢🙏!
ultralytics.utils.loss.VarifocalLoss
垒球 Module
Zhang 等人的变焦损失
https://arxiv.org/abs/2008.13367.
源代码 ultralytics/utils/loss.py
__init__()
forward(pred_score, gt_score, label, alpha=0.75, gamma=2.0)
staticmethod
计算变焦损耗。
源代码 ultralytics/utils/loss.py
ultralytics.utils.loss.FocalLoss
垒球 Module
在现有 loss_fcn() 的基础上封装焦点损失,即 criteria = FocalLoss(nn.BCEWithLogitsLoss(), gamma=1.5)。
源代码 ultralytics/utils/loss.py
__init__()
forward(pred, label, gamma=1.5, alpha=0.25)
staticmethod
为物体检测/分类任务计算和更新混淆矩阵。
源代码 ultralytics/utils/loss.py
ultralytics.utils.loss.BboxLoss
垒球 Module
在训练过程中计算训练损失的标准类。
源代码 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)
IoU 损失。
源代码 ultralytics/utils/loss.py
ultralytics.utils.loss.RotatedBboxLoss
垒球 BboxLoss
在训练过程中计算训练损失的标准类。
源代码 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)
IoU 损失。
源代码 ultralytics/utils/loss.py
ultralytics.utils.loss.KeypointLoss
垒球 Module
计算训练损失的标准类。
源代码 ultralytics/utils/loss.py
__init__(sigmas)
forward(pred_kpts, gt_kpts, kpt_mask, area)
计算预测和实际关键点的关键点损失因子和欧氏距离损失。
源代码 ultralytics/utils/loss.py
ultralytics.utils.loss.v8DetectionLoss
计算训练损失的标准类。
源代码 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)
计算箱式、 cls 和 dfl 的损失总和乘以批量大小。
源代码 ultralytics/utils/loss.py
__init__(model)
用模型初始化 v8DetectionLoss,定义模型相关属性和 BCE 损失函数。
源代码 ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist)
根据锚点和分布解码预测对象边界框坐标。
源代码 ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
预处理目标计数并与输入的批次大小匹配,输出tensor 。
源代码 ultralytics/utils/loss.py
ultralytics.utils.loss.v8SegmentationLoss
计算训练损失的标准类。
源代码 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)
计算并返回YOLO 模型的损耗。
源代码 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)
calculate_segmentation_loss(fg_mask, masks, target_gt_idx, target_bboxes, batch_idx, proto, pred_masks, imgsz, overlap)
计算实例分割的损失。
参数
名称 | 类型 | 说明 | 默认值 |
---|---|---|---|
fg_mask |
Tensor
|
形状为 (BS, N_anchors) 的二进制tensor ,表示哪些锚点是正向的。 |
所需 |
masks |
Tensor
|
形状为 (BS、H、W) 的地面真实掩模,如果 |
所需 |
target_gt_idx |
Tensor
|
每个形状锚点的地面实况对象索引(BS,N_anchors)。 |
所需 |
target_bboxes |
Tensor
|
形状为 (BS, N_anchors, 4) 的每个锚点的地面真实边界框。 |
所需 |
batch_idx |
Tensor
|
形状为 (N_labels_in_batch, 1) 的批次索引。 |
所需 |
proto |
Tensor
|
原型面具的形状(BS、32、高、宽)。 |
所需 |
pred_masks |
Tensor
|
形状 (BS,N_anchors,32) 的每个锚点的预测掩码。 |
所需 |
imgsz |
Tensor
|
输入图像的尺寸,如tensor 的形状 (2),即 (H,W)。 |
所需 |
overlap |
bool
|
是否在 |
所需 |
返回:
类型 | 说明 |
---|---|
Tensor
|
计算出的实例分割损失。 |
说明
在内存使用率较高的情况下,可以通过计算批量损失来提高速度。 例如,pred_mask 的计算方法如下: pred_mask =torch.einsum('in,nhw->ihw', pred, proto) # (i, 32) @ (32, 160, 160) -> (i, 160, 160)
源代码 ultralytics/utils/loss.py
single_mask_loss(gt_mask, pred, proto, xyxy, area)
staticmethod
计算单幅图像的实例分割损失。
参数
名称 | 类型 | 说明 | 默认值 |
---|---|---|---|
gt_mask |
Tensor
|
形状为 (n、H、W) 的地面真实掩码,其中 n 是对象的数量。 |
所需 |
pred |
Tensor
|
形状的预测掩码系数(n,32)。 |
所需 |
proto |
Tensor
|
原型面具的形状(32、高、宽)。 |
所需 |
xyxy |
Tensor
|
形状为 (n, 4) 的 xyxy 格式地面真实边界框,归一化为 [0, 1]。 |
所需 |
area |
Tensor
|
形状 (n,)的每个基本真实边界框的面积。 |
所需 |
返回:
类型 | 说明 |
---|---|
Tensor
|
计算出的单幅图像的掩膜损耗。 |
说明
该函数使用等式 pred_mask =torch.einsum('in,nhw->ihw', pred, proto) 从原型掩码和预测掩码系数生成预测掩码。 预测掩码的原型掩码和预测掩码系数。
源代码 ultralytics/utils/loss.py
ultralytics.utils.loss.v8PoseLoss
计算训练损失的标准类。
源代码 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)
计算总损失并将其分离。
源代码 ultralytics/utils/loss.py
__init__(model)
使用模型初始化 v8PoseLoss,设置关键点变量并声明关键点损失实例。
源代码 ultralytics/utils/loss.py
calculate_keypoints_loss(masks, target_gt_idx, keypoints, batch_idx, stride_tensor, target_bboxes, pred_kpts)
计算模型的关键点损耗。
该函数计算给定批次的关键点损失和关键点对象损失。关键点损失 基于预测关键点与地面真实关键点之间的差值。关键点对象损失是 二进制分类损失,用于对关键点是否存在进行分类。
参数
名称 | 类型 | 说明 | 默认值 |
---|---|---|---|
masks |
Tensor
|
二进制掩码tensor 表示对象的存在、形状(BS、N_锚点)。 |
所需 |
target_gt_idx |
Tensor
|
索引tensor 将锚点映射到地面实况对象,形状 (BS,N_锚点)。 |
所需 |
keypoints |
Tensor
|
地面真实关键点,形状(N_kpts_in_batch,N_kpts_per_object,kpts_dim)。 |
所需 |
batch_idx |
Tensor
|
关键点的批索引tensor ,形状(N_kpts_in_batch, 1)。 |
所需 |
stride_tensor |
Tensor
|
锚点的跨距tensor ,形状 (N_锚点,1)。 |
所需 |
target_bboxes |
Tensor
|
格式为 (x1, y1, x2, y2) 的地面实况框,形状为 (BS, N_anchors, 4)。 |
所需 |
pred_kpts |
Tensor
|
预测的关键点、形状(BS、N_锚点、N_kpts_per_object、kpts_dim)。 |
所需 |
返回:
类型 | 说明 |
---|---|
tuple
|
返回一个元组,其中包含 - kpts_loss (torch.Tensor):关键点损失。 - kpts_obj_loss (torch.Tensor):关键点对象损失。 |
源代码 ultralytics/utils/loss.py
kpts_decode(anchor_points, pred_kpts)
staticmethod
将预测的关键点解码为图像坐标。
源代码 ultralytics/utils/loss.py
ultralytics.utils.loss.v8ClassificationLoss
计算训练损失的标准类。
源代码 ultralytics/utils/loss.py
__call__(preds, batch)
计算预测结果与真实标签之间的分类损失。
ultralytics.utils.loss.v8OBBLoss
源代码 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)
计算并返回YOLO 模型的损耗。
源代码 ultralytics/utils/loss.py
__init__(model)
用模型、赋值器和旋转的 bbox 损失初始化 v8OBBLoss。
注意 型号必须去平行。
源代码 ultralytics/utils/loss.py
bbox_decode(anchor_points, pred_dist, pred_angle)
根据锚点和分布解码预测对象边界框坐标。
参数
名称 | 类型 | 说明 | 默认值 |
---|---|---|---|
anchor_points |
Tensor
|
锚点,(h*w,2)。 |
所需 |
pred_dist |
Tensor
|
预测的旋转距离,(bs,h*w,4)。 |
所需 |
pred_angle |
Tensor
|
预测角度,(bs,h*w,1)。 |
所需 |
返回:
类型 | 说明 |
---|---|
Tensor
|
预测的旋转边界框角度(bs, h*w, 5)。 |
源代码 ultralytics/utils/loss.py
preprocess(targets, batch_size, scale_tensor)
预处理目标计数并与输入的批次大小匹配,输出tensor 。