yolov5目标检测神经网络——损失函数计算原理(yolov3目标检测步骤流程图)

推荐整理分享yolov5目标检测神经网络——损失函数计算原理(yolov3目标检测步骤流程图)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:搭建yolov4目标检测平台,yolov3目标检测,yolov5目标识别,yolov4目标检测,yolov4目标检测,yolov3目标检测步骤流程图,yolov5目标检测原理,yolov3目标检测,内容如对您有帮助，希望把文章链接给更多的朋友！

前面已经写了4篇关于yolov5的文章，链接如下：

1、基于libtorch的yolov5目标检测网络实现——COCO数据集json标签文件解析

2、基于libtorch的yolov5目标检测网络实现(2)——网络结构实现

3、基于libtorch的yolov5目标检测网络实现(3)——Kmeans聚类获取anchor框尺寸

4、C++实现Kmeans聚类算法获取COCO目标检测数据集的anchor框

其中：

第一篇讲COCO数据集json标签的解析；

第二篇讲yolov5神经网络正向传播的liborch实现；

第三篇讲使用Opencv提供的Kmeans算法来获取anchor框尺寸；

第四篇讲自己使用C++实现的Kmeans算法来获取anchor框尺寸，相对来说，本篇获取的anchor比第三篇获取的更精确。

本文我们主要讲yolov5网络的损失函数计算原理。

目标检测任务有三个主要目的：

（1）检测出图像中目标的位置，同一张图像中可能存在多个检测目标；

（2）检测出目标的大小，通常为恰好包围目标的矩形框；

（3）对检测到的目标进行识别分类。

所以，判断检测结果精确不精确，主要基于以上三个目的来衡量：

（1）首先我们来定义理想情况：图像中实际存在目标的所有位置，都被检测出来。检测结果越接近这个理想状态，也即漏检/误检的目标越少，则认为结果越精确；

（2）同样定义理想情况：检测到的矩形框恰好能包围检测目标。检测结果越接近这个理想状态，那么认为结果越精确；

（3）对检测到的目标，进行识别与分类，分类结果与目标的实际分类越符合，说明结果越精确。

如下图所示，人、大巴为检测目标，既要检测出所有人和大巴的位置，也要检测出包围人和大巴的最小矩形框，同时还要识别出哪个矩形框内是人，哪个矩形框内是大巴。

前文我们也讲过yolov5网络的基本思想：

把640*640的输入图像划分成N*N（通常为80*80、40*40、20*20）的网格，然后对网格的每个格子都预测三个指标：矩形框、置信度、分类概率。

其中：  

矩形框表征目标的大小以及精确位置。

置信度表征所预测矩形框（简称预测框）的可信程度，取值范围0~1，值越大说明该矩形框中越可能存在目标。

分类概率表征目标的类别。

所以在实际检测时：

首先判断每个预测框的预测置信度是否超过设定阈值，若超过则认为该预测框内存在目标，从而得到目标的大致位置。

接着根据非极大值抑制算法对存在目标的预测框进行筛选，剔除对应同一目标的重复矩形框（非极大值抑制算法我们后续再详细讲）。

最后根据筛选后预测框的分类概率，取最大概率对应的索引，即为目标的分类索引号，从而得到目标的类别。

损失函数的作用为度量神经网络预测信息与期望信息（标签）的距离，预测信息越接近期望信息，损失函数值越小。由上述每个格子的预测信息可知，训练时主要包含三个方面的损失：矩形框损失(lossrect)、置信度损失（lossobj）、分类损失(lossclc)。因此yolov5网络的损失函数定义为：  

Loss=a*lossobj + b*lossrect + c*lossclc

也即总体损失为三个损失的加权和，通常置信度损失取最大权重，矩形框损失和分类损失的权重次之，比如：

a = 0.4

b = 0.3

c = 0.3

yolov5使用CIOU loss计算矩形框损失，置信度损失与分类损失都用BCE loss计算，下面我们会详细介绍各种损失函数的计算原理。

下面我们以80*80网格为例来说明mask掩码的定义、用途，以及如何获取。40*40网格与20*20网格也类似。

神经网络对一张图像分割成的80*80网格预测了3*80*80个预测框，那么每个预测框都存在检测目标吗？显然不是。所以在训练时首先需要根据标签作初步判断，哪些预测框里面很可能存在目标？mask掩码为这样的一个3*80*80的bool型矩阵：3*80*80个bool值与3*80*80个预测框一一对应，根据标签信息和一定规则判断每个预测框内是否存在目标，如果存在则将mask矩阵中对应位置的值设置为true，否则设置为false。

神经网络对80*80网格的每个格子都预测三个矩形框，因此输出了3*80*80个预测框，每个预测框的预测信息包括矩形框信息、置信度、分类概率。实际上，并非所有预测框都需要计算所有类别的损失函数值，而是根据mask矩阵来决定：

仅mask矩阵中对应位置为true的预测框，需要计算矩形框损失；

仅mask矩阵中对应位置为true的预测框，需要计算分类损失；

所有预测框都需要计算置信度损失，但是mask为true的预测框与mask为false的预测框的置信度标签值不一样。

对于80*80网格，其各类损失函数的计算表达式如下，其中a为mask为true时置信度损失的权重，通常取值0.5~1之间，使得网络在训练时更加专注于mask为true的情况。

40*40网格和20*20网格的损失函数计算与80*80网格类似，最后把所有网格的损失函数值作加权和，即得到一张训练图像的最后的损失函数值：

上式中α1、α2、α3为各网格损失函数值的权重系数。考虑到图像中往往小型目标比较多，中型目标次之，大型目标最少，因此通常把80*80网格的权重α1设置最大，40*40网格的权重α2次之，20*20网格的权重α3最小，使得训练时网络更加专注于数量多的目标，比如α1、α2、α3依次取0.5、0.3、0.2。

下面我们详细说明一下mask矩阵是怎么得到的。

首先将3*80*80的mask矩阵全部设置为false。对于COCO数据集json标签文件中标注的一张图像中的每个目标框，都按照以下步骤作判断，并根据判断结果将mask矩阵的对应位置设置为true：

（1）从json标签文件解析出单张图像中所有目标框的中心坐标和宽高，以及图像的宽高。假设解析得到一个目标框的中心坐标为(x, y)，宽、高分别为w、h，图像的宽高分别为wi、hi。需要将(x, y)转换为640*640图像的坐标(x', y')，并将w、h转换为640*640图像中目标框的宽高wgt、hgt。

（2）然后由(x', y')计算该目标框在80*80网格中的网格坐标(xg,yg)，注意xg,、yg都是浮点数。

（3）接着对xg、yg向下取整，得到整型网格坐标(x0, y0)。同时为了加快训练的收敛速度，yolov5对网格(x0, y0)的左右、上下再各取一个邻近的网格：(x1, y0)和(x0, y1)。具体怎么取呢？如下图，红点为点(xg,yg)：

如果点(xg,yg)在格子的左上角，则取左边、上方的两个格子；

如果点(xg,yg)在格子的右上角，则取右边、上方的两个格子；

如果点(xg,yg)在格子的左下角，则取左边、下方的两个格子；

如果点(xg,yg)在格子的右下角，则取右边、上下方的两个格子；

根据以上原则，x1和y1可按下式计算，其中round为四舍五入运算：

（4）经过第（3）步，得到三个互相邻近的格子(x0, y0)、(x1, y0)、(x0, y1)，我们认为该目标框位于这三个格子的附近。

前文我们讲使用Kmeans聚类算法获取九个anchor框的时候，就讲过：

宽、高最小的anchor0、anchor1、anchor2分配给80*80网格的每个格子；

宽、高次小的anchor3、anchor4、anchor5分配给40*40网格的每个格子；

宽、高最大的anchor6、anchor7、anchor8分配给20*20网格的每个格子。

因此80*80网格中(x0, y0)、(x1, y0)、(x0, y1)这三个格子都对应anchor0、anchor1、anchor2这三个anchor框。

（5）假设anchor0、anchor1、anchor2这三个anchor框的宽高分别为(w0, h0)、(w1, h1)、(w2, h2)，从json标签文件解析得到该目标框的宽高为(wgt, hgt)，然后分别计算(wgt, hgt)与(w0, h0)、(w1, h1)、(w2, h2)的比例，再根据比例剔除不满足要求的anchor框：

将保留的anchor框标记为true，剔除的anchor框标记为false，那么anchor0、anchor1、anchor2对应的标记为(m0, m1, m2):

（6）根据80*80网格中(x0, y0)、(x1, y0)、(x0, y1)这三个坐标位置，我们分别对mask矩阵赋值：

对一张图像中的所有目标框，都作以上判断并对mask矩阵赋值，即可得到该图像的mask矩阵。

这里为什么先讲矩形框损失呢？因为后面讲的置信度损失原理会使用到矩形框损失。

我们前文讲过，yolov5对每个格子预测3个不同位置和大小的矩形框，其中每个矩形框的信息为矩形中心的x坐标、y坐标，以及矩形宽、高。假设对某个格子预测的矩形框为(xp, yp, wp, hp)，该格子对应的目标矩形框为(xl, yl, wl, hl)，下面依次讲解几种最常见的矩形框损失函数的计算原理。

首先是L1损失函数：

 其次是L2损失函数：

接着是smooth L1损失函数：

以上式子中，记d=x1-x2，分别画出fL1(d)、fL2(d)、fsL1(d)的曲线如下图：

由以上计算公式和曲线可以看出：

（1）fL1(d)函数的左右两侧曲线对于d的导数（斜率）是恒定不变的，但是在d=0处该函数不可导，然而随着训练的进行，d=x1-x2会逐渐接近0，这就导致在训练后期损失函数的值在某个值附近波动，很难收敛。

（2）fL2(d)函数在d=0出处是可导的，不存在fL1(d)函数的问题，但是在前期训练阶段d很大的时候，fL2(d)函数对于d的导数也会很大，这很可能会导致梯度爆炸问题，从而训练没能朝着最优化的方向进行。

（3）fsL1(d)函数为分段函数，它将fL1(d)函数、fL2(d)函数的优点结合起来，同时完美规避了fL1(d)函数、fL2(d)函数的缺点。

上述计算矩形框的L1、L2、smooth L1损失时有一个共同点，都是分别计算矩形框中心点x坐标、中心点y坐标、宽、高的损失，最后再将四个损失值相加得到该矩形框的最终损失值。这种计算方法的前提假设是中心点x坐标、中心点y坐标、宽、高这四个值是相互独立的，实际上它们具有相关性，所以该计算方法存在问题。

于是，IOU系列损失函数（IOU、GIOU、DIOU、CIOU）又被陆续提了出来。计算IOU系列损失函数需要使用矩形框左上角、右下角的坐标，假设预测矩形框的左上角、右下角坐标分别为(xp1, yp1)、(xp2, yp2)，标签矩形框的左上角、右下角坐标分别为(xl1, yl1)、(xl2, yl2)，如下图所示：

矩形框的中心坐标、宽、高可根据下式转换到左上角、右下角坐标：

下面分别介绍IOU、GIOU、DIOU、CIOU损失函数的计算原理。

IOU为两个方框相交区域面积与相并部分面积的比值，所以也称为交并比。

首先求相交部分面积：  

然后求相并部面积：

从而得到交并比IOU：

IOU的取值范围为0~1，当两个矩形框完全没有交集时，IOU为0，当它们完全重合时IOU为1，也即重合度越小IOU越接近0，重合度越大IOU越接近1。

最后得到IOU loss的计算公式如下，两个矩形框重合度越高IOU loss越接近0：

当两个矩形框完全没有重叠区域时，无论它们距离多远，它们的IOU都为0。这种情况下梯度也为0，导致无法优化。为了解决这个问题，GIOU又被提了出来。

如上图所示，GIOU在IOU的基础上，把包围矩形框A和矩形框B的最小矩形框（图中的虚线框）的面积也加入到计算中。

GIOU可按下式计算，其中S1为A、B相交部分的面积（红色区域）。其中S3为包围A、B的最小矩形框的面积，S2为A、B相并区域的面积（蓝色+红色+灰色区域）。

由上式可知GIOU相比IOU，新增了(S3-S2)/S3这一项。新增项表示什么意义呢？由上述可知S3-S2为虚线框中白色区域的面积，也即虚线框中不属于A也不属于B的空白区域，那么(S3-S2)/S3就是空白区域面积占虚线框面积的比例，这个比例越大说明A、B距离越远、重叠度越小，反之则A、B距离越近、重叠度越大。

GIOU的取值范围是-1~1，当A、B完全没有重叠区域时IOU为0，那么GIOU取负值，极端情况，当A、B无重叠区域且距离无限远时，此时(S3-S2)/S3等于1，那么GIOU取-1；另一个极端情况，当A、B完全重叠时(S3-S2)/S3等于0，IOU为1，那么GIOU取1。

因此，GIOU解决了当A、B完全没有重叠区域时IOU恒为0的问题。

最后得到GIOU loss的计算公式：

GIOU虽然把IOU的问题解决了，但它还是基于面积的度量，并没有把两个矩形框A、B的距离考虑进去。为了使训练更稳定、收敛更快，DIOU随之被提了出来，DIOU把矩形框A、B的中心点距离ρ、外接矩形框（虚线框）的对角线长度c都直接考虑进去，如下图所示：

DIOU可按下式计算：

由上式可知DIOU的取值范围也为-1~1，当两个框A、B完全重合时DIOU取1，当A、B距离无限远时，DIOU取-1。

从而得到DIOU loss的计算公式：

yolov5使用CIOU loss来衡量矩形框的损失。

DIOU把两个矩形框A、B的重叠面积、中心点距离都考虑了进去，但并未考虑A、B的宽高比。为了进一步提升训练的稳定性和收敛速度，在DIOU的基础上CIOU又被提了出来，它将重叠面积、中心点距离、宽高比同时加入了计算。

CIOU可按下式计算：

上式中，ρ为框A和框B的中心点距离，c为框A和框B的最小包围矩形的对角线长度，v为框A、框B的宽高比相似度，α为v的影响因子。

反正切arctan函数的取值范围是0~Π/2，那么v的取值范围为0~1，当框A、框B的的宽高比相等时v取0，当框A、框B的的宽高比相差无限大时v取1。

当框A、框B的距离无限远，且宽高比差别无限大时DIOU取-1，v取1，alpha取0.5，此时CIOU取-1-0.5=-1.5；当框A、框B完全重叠时，DIOU取1，v取0，α取0，则CIOU取1。因此CIOU取值范围是-1.5~1。

IOU越大也即A、B的重叠区域越大，则α越大，从而v的影响越大；反之IOU越小也即A、B的重叠区域越小，则α越小，从而v的影响越小。因此在优化过程中：

如果A、B的重叠区域较小，则宽高比v在损失函数中影响较小，此时着重优化A、B的距离；

如果A、B的重叠区域较大，则宽高比v在损失函数中影响也较大，此时着重优化A、B的宽高比。

用一句话来说，就是越缺什么，就越着重弥补什么，从而达到加速优化训练的收敛速度和稳定性的目的。

由以上可得CIOU loss的计算公式为：

下面以80*80网格为例，详细讲置信度损失的计算原理，40*40和20*20网格的置信度损失计算原理与80*80网格一样，可依此类推。

对于一张图像分割成的80*80的网格，神经网络对其中每个格子都预测三个位于该格子附近的矩形框（简称预测框），每个预测框的预测信息包括中心坐标、宽、高、置信度、分类概率，因此神经网络总共输出3*80*80个0~1的预测置信度，与3*80*80个预测框一 一对应。每个预测框的置信度表征这个预测框的靠谱程度，值越大表示该预测框越可信靠谱，也即越接近目标的真实最小包围框。

比如下图中，红点A、B、C、D表示检测目标，那么每个红点所在格子的三个预测置信度应该比较大甚至接近1，而其它格子的预测置信度应该较小甚至接近0。

标签的维度应该与神经网络的输出维度保持一致，因此置信度的标签也是维度为3*80*80的矩阵。

这里就用到了上文我们讲的mask掩码矩阵：以维度同样为3*80*80的mask矩阵为标记，对置信度标签矩阵进行赋值。yolo之前版本直接对mask矩阵为true的地方赋值1，mask矩阵为false的地方赋值0，认为只要mask为true就表示对应预测框完美包围了目标。这样做就太绝对了，因为mask为true只是表示该预测框在目标附近而已，并不一定完美包围了目标。所以yolov5改变了做法：对mask为true的位置不直接赋1，而是计算对应预测框与目标框的CIOU，使用CIOU作为该预测框的置信度标签，当然对mask为false的位置还是直接赋0。

这样一来，标签值的大小与预测框、目标框的重合度有关，两框重合度越高则标签值越大。当然，上文我们讲CIOU的取值范围是-1.5~1，而置信度标签的取值范围是0~1，所以需要对CIOU做一个截断处理：当CIOU小于0时直接取0值作为标签。

假设置信度标签为矩阵L，预测置信度为矩阵P，那么矩阵中每个数值的BCE loss的计算公式如下：

注意BCE loss要求输入数据的取值范围必须在0~1之间。

从得到80*80网格的置信度损失值：

此外，我们称对应mask位true的预测框为正样本，对应mask为false的预测框为负样本，负样本肯定是远远多于正样本的，为了使训练更专注于正样本，后来Focal loss又被提了出来，我们在此暂时不细说，下篇文章再详细介绍吧。

下面也以80*80网格为例，详细讲分类损失的计算原理，40*40和20*20网格的分类损失计算原理与80*80网格一样，可依此类推。

神经网络对80*80网格的每个格子都预测三个预测框，每个预测框的预测信息都包含了N个分类概率。其中N为总类别数，比如COCO数据集有80个类别，那么N取80。所以对于COCO数据集，每个预测框有80个0~1的分类概率，那么神经网络总共预测3*80*80*80个分类概率，组成预测概率矩阵。

80*80网格的标签概率矩阵与预测概率矩阵的维度一样，也是3*80*80*80。每个预测框的标签，由解析json标签文件得到，是一个0~79的数值，需要将0~79的数值转换成80个数的独热码：

然而，为了减少过拟合，且增加训练的稳定性，通常对独热码标签做一个平滑操作。如下式，label为独热码中的所有数值，α为平滑系数，取值范围0~1，通常取0.1。

同样假设置标签概率为矩阵Lsmooth，预测概率为矩阵P，那么矩阵中每个数值的BCE loss的计算公式如下：

于是得到80*80网格的分类损失函数值的计算公式：

好了，本文我们就讲到这里。说点题外话，隔了两三个月没有更新文章了，感觉很对不起粉丝们。因为本人在年底不仅换了工作，工作城市也换了，免不了一番奔波与适应，所以更新就被耽搁了。不过呢，我还是会在业余抽时间来学习、更新，不辜负粉丝们对我的期望~祝朋友们新年快乐，事事顺心（迟来的祝福^^）！

欢迎关注"萌萌哒程序猴"微信公众号，接下来会不定时更新更加精彩的内容，敬请期待~