yolov5 损失函数

yolov5有三个损失函数分别是回归损失、置信度损失、分类损失

回归损失用的是CIOU loss
置信度和分类损失用的是BCE loss

（1）对比L2损失，Iou和GIou具有尺度不变性，不会说输入的框子大loss就越大。
（2）对比IOU损失，L2和Giou具有偏离趋势度量的能力，当IOU=0时，交和不交的损失是一样的，L2和GIOU就不会这样。

GIOU，当两个框子是左右重合时就和IOU一样了。

DIOU，当两个框子互相包含时，会有偏离趋势的loss能力，同样也具有尺度不变性。

CIOU，在DIOU的基础上，增加了宽高比的惩罚项。当预测边框和真是边框的中心点重合时，DIOU退化成了传统IOU，综合了IOU的面积损失 、和DIOU的中心点损失和自身宽高比损失三种优势。

yolov5中通过mask掩码来计算损失
所有的预测框都需要计算置信度损失，但是mask为true和false的预测框置信度计算方式 不一样，当mask掩码中最用位置为true的预测框才需要计算分类和回归损失。

如何得到mask？
（1）根据标注文件解析出GT框子的中心坐标和宽高

yolov5网络原生推理出来的为三维的tensorr
[4,3,80,80,8]
[4,3,40,40,8]
[4,3,20,20,8]

pytorch中
nn.parameter参与梯度训练
buffer不参数梯度训练
还可以通过model.save保存

focal loss
保证预测的结果都接近与1无论正负样本
当预测对了的值loss就很小，当预测错了就会很大
关注难样本，解决类别不均衡的问题

indices 正样本的索引
更改objectness

YOLOv3

模型的每个head计算出[bs,c,h,w,nc+5]

GT与每个anchor做IOU的比较，取最大的IOU的anchor，给出mask

BCE要用sigmoid函数

置信度的loss是预测框和真实框的IOU

YOLOv5损失函数
回归损失
预测x、y、w、h四个数值，预测出来的数值，通过CIOU计算loss

置信度损失
计算每个预测框和真实框的CIOU当作置信度，通过BCE计算loss

网络训练流程
1、输入图像网络前向传播输出[[bs,3,80,80,nc+5],[bs,3,40,40,nc+5],[bs,3,20,20,nc+5]]。
2、对于网络的3个头的输出匹配正样本，筛选GT和anchor符合条件的高宽比，大于就是正样本反就是负样本。
出了匹配IOU大于的之外还会匹配满足条件的上下左右的grid

YOLO：简史

YOLO（You Only Look Once）是一种流行的对象检测和图像分割模型，由华盛顿大学的Joseph Redmon和Ali Farhadi开发。YOLO于2015年推出，以其高速度和高精度迅速走红。

YOLOv2于2016年发布，通过合并批处理规范化、锚盒和维度集群来改进原始模型。

YOLOv3在2018年推出使用更高效的骨干网络、多个锚点和空间金字塔池进一步增强了该模型的性能。

YOLOv4于2020年发布，引入了Mosaic数据增强、新的无锚检测头和新的丢失功能等创新。

YOLOv5进一步提高了模型的性能，并添加了超参数优化、集成实验跟踪和自动导出到流行导出格式等新功能。

YOLOv6于2022年由美团开源，目前正在该公司的许多自动配送机器人中使用。

YOLOv7在COCO关键点数据集上添加了额外的任务，如姿态估计。

YOLOv8是Ultralytics公司推出的YOLO的最新版本。作为一款尖端、最先进的（SOTA）车型，YOLOv8在之前版本的成功基础上，引入了新的功能和改进，以增强性能、灵活性和效率。YOLOv8支持全方位的视觉AI任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性允许用户在不同的应用程序和域中利用YOLOv8的功能。