一、本文介绍
本文记录的是改进YOLOv9的损失函数,将其替换成Slide Loss,并详细说明了优化原因,注意事项等。Slide Loss函数可以有效地解决样本不平衡问题,为困难样本赋予更高的权重,使模型在训练过程中更加关注困难样本。若是在自己的数据集中发现容易样本的数量非常大,而困难样本相对稀疏,可尝试使用Slide Loss来提高模型在处理复杂样本时的性能。
专栏目录:YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
文章目录
二、Slide Loss原理
2.1 IoU含义
IoU(P, G) = area(P∩G) / area(G),其中P是预测框,G是真实框(ground truth)。IoU的值在[0, 1]之间。
IoU是预测框与真实框的交集面积与并集面积之比。它用于衡量预测框与真实框的重合程度。
2.2 原理
- 样本分类依据:
Slide Loss函数基于预测框和真实框的IoU大小来区分容易样本和困难样本。- 为了减少超参数,将所有边界框的
IoU值的平均值作为阈值µ,小于µ的被视为负样本,大于µ的为正样本。
- 强调边界样本:
- 但处于边界附近的样本由于分类不明确,往往会遭受较大损失。为了解决这个问题,希望模型能够学习优化这些样本,并更充分地利用这些样本训练网络。
- 首先将样本通过参数
µ分为正样本和负样本,然后通过一个
订阅专栏 解锁全文
385



被折叠的 条评论
为什么被折叠?



