【转载】YOLO 损失函数 loss

关于YOLO的损失函数,采用sum-squared error整合localization error(bboxes的坐标误差)和classification error,如果这两者的权值一致,会导致模型不稳定,训练发散。其中classification error包括两部分,一部分是没有包含object的box的confidence loss权值,另一部分则是有包含object的box的confidence loss权值。因此在损失函数计算的过程中,将提高localization error 的权值,降低没有包含object的box的confidence loss的权重。至于有包含object的box,它的confidence loss始终为1。

直接上图吧。


[

loss函数是分为三个部分的,即坐标预测,也就是我们上面所说的localization error,一部分是box的confidence预测,还有一部分是来自于类别的预测,后两部分就是classification error。

损失函数分为三个部分:

代表cell中含有真实物体的中心。 pr(object) = 1

损失函数分为三个部分:




def loss_layer(self,predicts,labels,scope='loss'):

        ''' predicts的shape是[batch,7*7*(20+5*2)]

            labels的shape是[batch,7,7,(5+20)]

            '''

        with tf.variable_scope(scope):

            #预测种类,boxes置信度,boxes坐标[x_center,y_center,w,h],坐标都除以image_size归一化,中心点坐标为偏移量,

            #w,h归一化后又开方,目的是使变化更平缓

            predict_classes=tf.reshape(predicts[:,:self.boundary1],

                                      [self.batch_size,self.cell_size,self.cell_size,self.num_classes])

            predict_scales=tf.reshape(predicts[:,self.boundary1:self.boundary2],

                                    [self.batch_size,self.cell_size,self.cell_size,self.box_per_cell])

            predict_boxes=tf.reshape(predicts[:,self.boundary2:],

                                    [self.batch_size,self.cell_size,self.cell_size,self.box_per_cell,4])

            #是否有目标的置信度

            response=tf.reshape(labels[:,:,:,0],

                              [self.batch_size,self.cell_size,self.cell_size,1])

            #boxes坐标处理变成[batch,7,7,2,4],两个box最终只选一个最高的,为了使预测更准确

            boxes=tf.reshape(labels[:,:,:,1:5],

                            [self.batch_size,self.cell_size,self.cell_size,1,4])

            boxes=tf.tile(boxes,[1,1,1,self.box_per_cell,1])/self.image_size

            classes=labels[:,:,:,5:]

            #offset形如[[[0,0],[1,1]...[6,6]],[[0,0]...[6,6]]...]与偏移量x相加

            #offset转置形如[[0,0,[0,0]...],[[1,1],[1,1]...],[[6,6]...]]与偏移量y相加

            #组成中心点坐标shpe[batch,7,7,2]是归一化后的值

            offset=tf.constant(self.offset,dtype=tf.float32)

            offset=tf.reshape(offset,[1,self.cell_size,self.cell_size,self.box_per_cell])

            offset=tf.tile(offset,[self.batch_size,1,1,1])


            predict_boxes_tran=tf.stack([(predict_boxes[:,:,:,:,0]+offset)/self.cell_size,

                                      (predict_boxes[:,:,:,:,1]+tf.transpose(offset,(0,2,1,3)))/self.cell_size,

                                        tf.square(predict_boxes[:,:,:,:,2]),

                                        tf.square(predict_boxes[:,:,:,:,3])],axis=-1)

            #iou的shape是[batch,7,7,2]

            iou_predict_truth=self.cal_iou(predict_boxes_tran,boxes)

            #两个预选框中iou最大的

            object_mask=tf.reduce_max(iou_predict_truth,3,keep_dims=True)

            #真实图中有预选框,并且值在两个预选框中最大的遮罩

            object_mask=tf.cast((iou_predict_truth>=object_mask),tf.float32)*response

            #无预选框遮罩

            noobject_mask=tf.ones_like(object_mask,dtype=tf.float32)-object_mask

            #真实boxes的偏移量

            boxes_tran=tf.stack([boxes[:,:,:,:,0]*self.cell_size-offset,

                                boxes[:,:,:,:,1]*self.cell_size-tf.transpose(offset,(0,2,1,3)),

                                tf.sqrt(boxes[:,:,:,:,2]),

                                tf.sqrt(boxes[:,:,:,:,3])],axis=-1)

#=================================================================================================================================

            #分类损失

            class_delta=response*(predict_classes-classes)

            class_loss=tf.reduce_mean(tf.reduce_sum(tf.square(class_delta),axis=[1,2,3]),name='clss_loss')*self.class_scale

            #有目标损失(IOU)

            object_delta=object_mask*(predict_scales-iou_predict_truth)  #这里iou_predict_truth应该为1

            object_loss=tf.reduce_mean(tf.reduce_sum(tf.square(object_delta),axis=[1,2,3]),name='object_loss')*self.object_scale

            #无目标损失(IOU)

            noobject_delta=noobject_mask*predict_scales                    #这里减0

            noobject_loss=tf.reduce_mean(tf.reduce_sum(tf.square(noobject_delta),axis=[1,2,3]),name='noobject_loss')*self.no_object_scale

            #选框损失(坐标)

            coord_mask=tf.expand_dims(object_mask,4)

            boxes_delta=coord_mask*(predict_boxes-boxes_tran)

            coord_loss=tf.reduce_mean(tf.reduce_sum(tf.square(boxes_delta),axis=[1,2,3,4]),name='coord_loss')*self.coord_scale

            tf.losses.add_loss(class_loss)

            tf.losses.add_loss(object_loss)

            tf.losses.add_loss(noobject_loss)

            tf.losses.add_loss(coord_loss)


————————————————


YOLO V2:


YOLO V3:


YOLOv3不使用Softmax对每个框进行分类,而使用多个logistic分类器,因为Softmax不适用于多标签分类,用独立的多个logistic分类器准确率也不会下降。

分类损失采用binary cross-entropy loss.


原文链接:

https://blog.csdn.net/just_a_new_life/article/details/79842394

https://www.cnblogs.com/WSX1994/p/11226012.html


最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,039评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,223评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,916评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,009评论 1 291
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,030评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,011评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,934评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,754评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,202评论 1 309
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,433评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,590评论 1 346
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,321评论 5 342
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,917评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,568评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,738评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,583评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,482评论 2 352

推荐阅读更多精彩内容