标签：loss 函数 area pred self torch YOLOX 改进 target
文章内容：如何在YOLOX官网代码中修改–定位损失
环境：pytorch1.8
修改内容：
（1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss
（2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列
提示：使用之前可以先了解YOLOX及上述损失函数原理
参考链接：
YOLOX官网链接：https://github.com/Megvii-BaseDetection/YOLOX
YOLOX原理解析（Bubbliiiing大佬版）：https://blog.csdn.net/weixin_44791964/article/details/120476949
FocalLoss损失解析：https://cyqhn.blog.csdn.net/article/details/87343004
VariFocalLoss损失解析：https://blog.csdn.net/weixin_42096202/article/details/108567189
GIOU、CIOU、EIOU等：https://blog.csdn.net/neil3611244/article/details/113794197
a-IOU：https://blog.csdn.net/wjytbest/article/details/121513560
使用方法：直接替换即可
代码修改过程：
1、IOUloss等其他系列更改
修改位置：只需要在YOLOX-main/yolox/models/losses.py中更改，如“loss_type=ciou”
注意：没有DIOU与focal_EIOU（出现精度大降，直至为0，所以先删除了，后续补上！）
class IOUloss(nn.Module):
def __init__(self, reduction="none", loss_type="iou"):
super(IOUloss, self).__init__()
self.reduction = reduction
self.loss_type = loss_type
def forward(self, pred, target): #(x_center.y_center,w,h)
assert pred.shape[0] == target.shape[0]
pred = pred.view(-1, 4)
target = target.view(-1, 4)
tl = torch.max(
(pred[:, :2] - pred[:, 2:] / 2), (target[:, :2] - target[:, 2:] / 2) # top left左上角坐标
)
br = torch.min(
(pred[:, :2] + pred[:, 2:] / 2), (target[:, :2] + target[:, 2:] / 2) # 右下角坐标
)
area_p = torch.prod(pred[:, 2:], 1)
area_g = torch.prod(target[:, 2:], 1)
en = (tl < br).type(tl.type()).prod(dim=1)
area_i = torch.prod(br - tl, 1) * en # 相交面积
area_u = area_p + area_g - area_i # 相并面积
iou = (area_i) / (area_u + 1e-16)
if self.loss_type == "iou":
loss = 1 - iou ** 2 ############### 注意：这里不是平常IOULOSS，iou多了一个平方，类似a-iou(2>>>>3)
elif self.loss_type == "giou":
c_tl = torch.min(
(pred[:, :2] - pred[:, 2:] / 2), (target[:, :2] - target[:, 2:] / 2) # 两个框的外接矩形框的左上角
)
c_br = torch.max(
(pred[:, :2] + pred[:, 2:] / 2), (target[:, :2] + target[:, 2:] / 2) # 两个框的外接矩形框的右下角
)
area_c = torch.prod(c_br - c_tl, 1)
giou = iou - (area_c - area_u) / area_c.clamp(1e-16)
loss = 1 - giou.clamp(min=-1.0, max=1.0)
elif self.loss_type == "ciou":
c_tl = torch.min(
(pred[:, :2] - pred[:, 2:] / 2), (target[:, :2] - target[:, 2:] / 2)
)
c_br = torch.max(
(pred[:, :2] + pred[:, 2:] / 2), (target[:, :2] + target[:, 2:] / 2)
)
convex_dis = torch.pow(c_br[:, 0]-c_tl[:, 0], 2) + torch.pow(c_br[:, 1]-c_tl[:,1], 2) # 外接矩形对角线的平方
center_dis = (torch.pow(pred[:, 0]-target[:, 0], 2) + torch.pow(pred[:, 1]-target[:,1], 2)) # 两个框中心距离平方
v = (4 / math.pi ** 2) * torch.pow(torch.atan(target[:, 2] / torch.clamp(target[:, 3], min = 1e-6)) -
torch.atan(pred[:, 2] / torch.clamp(pred[:, 3], min = 1e-6)), 2)
with torch.no_grad():
alpha = v / (v - iou + 1)
ciou = iou - (center_dis / convex_dis.clamp(1e-16) + alpha * v)
loss = 1 - ciou.clamp(min=-1.0, max=1.0)
elif self.loss_type == "eiou":
c_tl = torch.min(
(pred[:, :2] - pred[:, 2:] / 2), (target[:, :2] - target[:, 2:] / 2)
)
c_br = torch.max(
(pred[:, :2] + pred[:, 2:] / 2), (target[:, :2] + target[:, 2:] / 2)
)
convex_dis = torch.pow(c_br[:, 0]-c_tl[:, 0], 2) + torch.pow(c_br[:, 1]-c_tl[:,1], 2) # 外接矩形对角线的平方
center_dis = (torch.pow(pred[:, 0]-target[:, 0], 2) + torch.pow(pred[:, 1]-target[:,1], 2)) # 两个框中心距离平方
dis_w = torch.pow(pred[:, 2]-target[:, 2], 2) # 两个框的w欧式距离
dis_h = torch.pow(pred[:, 3]-target[:, 3], 2) # 两个框的h欧式距离
C_w = torch.pow(c_tl[:, 0]-c_br[:, 0], 2) # 包围框的w平方
C_h = torch.pow(c_tl[:, 1]-c_br[:, 1], 2) # 包围框的h平方
eiou = iou - (center_dis / convex_dis.clamp(1e-16)) - (dis_w / C_w.clamp(1e-16)) - (dis_h / C_h.clamp(1e-16))
loss = 1 - eiou.clamp(min=-1.0, max=1.0)
if self.reduction == "mean":
loss = loss.mean()
elif self.reduction == "sum":
loss = loss.sum()
return loss
2、a-IOU系列修改（其实a-iou与iou就是多了个a次方）
注意：为了不影响原代码，重新在losses.py中续写一个类似IOUloss的alpha_IOUloss
步骤一：在losses.py中续写一个alpha_IOUloss的类（这里只有IOU+GIOU+CIOU，可以参考IOUloss自行补上）
class alpha_IOUloss(nn.Module):
def __init__(self, reduction="none", loss_type="ciou",alpha=3):
super(alpha_IOUloss, self).__init__()
self.reduction = reduction
self.loss_type = loss_type
self.alpha = alpha
def forward(self, pred, target):
assert pred.shape[0] == target.shape[0]
pred = pred.view(-1, 4)
target = target.view(-1, 4)
tl = torch.max(
(pred[:, :2] - pred[:, 2:] / 2), (target[:, :2] - target[:, 2:] / 2)
)
br = torch.min(
(pred[:, :2] + pred[:, 2:] / 2), (target[:, :2] + target[:, 2:] / 2)
)
area_p = torch.prod(pred[:, 2:], 1)
area_g = torch.prod(target[:, 2:], 1)
en = (tl < br).type(tl.type()).prod(dim=1)
area_i = torch.prod(br - tl, 1) * en
area_u = area_p + area_g - area_i
iou = (area_i) / (area_u + 1e-16)
if self.loss_type == "iou":
loss = 1 - iou ** self.alpha ############### 2>>>>3(a-iou)
elif self.loss_type == "giou":
c_tl = torch.min(
(pred[:, :2] - pred[:, 2:] / 2), (target[:, :2] - target[:, 2:] / 2)
)
c_br = torch.max(
(pred[:, :2] + pred[:, 2:] / 2), (target[:, :2] + target[:, 2:] / 2)
)
area_c = torch.prod(c_br - c_tl, 1)
giou = iou** self.alpha - ((area_c - area_u) / area_c.clamp(1e-16))** self.alpha
loss = 1 - giou.clamp(min=-1.0, max=1.0)
elif self.loss_type == "ciou":
c_tl = torch.min(
(pred[:, :2] - pred[:, 2:] / 2), (target[:, :2] - target[:, 2:] / 2)
)
c_br = torch.max(
(pred[:, :2] + pred[:, 2:] / 2), (target[:, :2] + target[:, 2:] / 2)
)
convex_dis = torch.pow(c_br[:, 0]-c_tl[:, 0], 2) + torch.pow(c_br[:, 1]-c_tl[:,1], 2) + 1e-16 # convex diagonal squared
center_dis = (torch.pow(pred[:, 0]-target[:, 0], 2) + torch.pow(pred[:, 1]-target[:,1], 2)) # center diagonal squared
v = (4 / math.pi ** 2) * torch.pow(torch.atan(target[:, 2] / torch.clamp(target[:, 3], min = 1e-6)) -
torch.atan(pred[:, 2] / torch.clamp(pred[:, 3], min = 1e-6)), 2)
with torch.no_grad():
beat = v / (v - iou + 1)
ciou = iou** self.alpha - (center_dis** self.alpha / convex_dis** self.alpha + (beat * v)** self.alpha)
loss = 1 - ciou.clamp(min=-1.0, max=1.0)
if self.reduction == "mean":
loss = loss.mean()
elif self.reduction == "sum":
loss = loss.sum()
return loss
步骤二：在yolo_head.py中追加调用alpha_IOUloss
from .losses import IOUloss, alpha_IOUloss
步骤三：实例化alpha_IOUloss，并注释之前的IOUloss
#self.iou_loss = IOUloss(reduction="none")
self.iou_loss = alpha_IOUloss(reduction="none")
效果：根据个人数据集而定。不同场景不同效果，对我的数据集基本上都没有原来的好，但也差距不大，降了一点点。
以上代码链接：
链接：https://pan.baidu.com/s/1XQAvT2VdtMMLoUo4FY9v8A
提取码：hd9f
标签：loss,函数,area,pred,self,torch,YOLOX,改进,target 来源： https://blog.csdn.net/weixin_45679938/article/details/122347520
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。