YOLOV8损失函数优化策略：SlideLoss，解决简单样本和困难样本之间的不平衡问题

原创

AI小怪兽

发布于 2023-11-04 15:47:11

6.7K0

文章被收录于专栏：YOLO大作战YOLO大作战

💡💡💡本文改进：SlideLoss，解决简单样本和困难样本之间的不平衡问题，并使用有效感受野的信息来设计Anchor。

SlideLoss| 亲测在多个数据集能够实现涨点，对小目标、遮挡物性能提升也能够助力涨点。

1.SlideLoss介绍

论文：https://arxiv.org/pdf/2208.02019.pdf

图 4：我们提出了一种新的损失，称为“滑动损失”，它自适应地学习正样本阈值参数和负样本阈值参数 µ。在 µ 附近设置较高的权重会增加难分类示例的相对损失，从而将更多注意力集中在难分类的错误示例上。

Slide损失函数的主要目的是让模型更加关注难样本。根据表格第五行的结果，Slide函数提升主要在中、难任务上。

2. Slideloss加入YOLOV8

2.1 修改ultralytics/utils/loss.py

加入Slideloss

核心代码：

import math


class SlideLoss(nn.Module):
    def __init__(self, loss_fcn):
        super(SlideLoss, self).__init__()
        self.loss_fcn = loss_fcn
        self.reduction = loss_fcn.reduction
        self.loss_fcn.reduction = 'none'  # required to apply SL to each element

    def forward(self, pred, true, auto_iou=0.5):
        loss = self.loss_fcn(pred, true)
        if auto_iou < 0.2:
            auto_iou = 0.2
        b1 = true <= auto_iou - 0.1
        a1 = 1.0
        b2 = (true > (auto_iou - 0.1)) & (true < auto_iou)
        a2 = math.exp(1.0 - auto_iou)
        b3 = true >= auto_iou
        a3 = torch.exp(-(true - 1.0))
        modulating_weight = a1 * b1 + a2 * b2 + a3 * b3
        loss *= modulating_weight
        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:  # 'none'
            return loss

我正在参与2023腾讯技术创作特训营第三期有奖征文，组队打卡瓜分大奖！

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

2023腾讯·技术创作特训营第三期