YOLOv8改进 | 损失函数篇：二十余种方案详解

最新推荐文章于 2025-03-07 15:00:00 发布
最新推荐文章于 2025-03-07 15:00:00 发布
阅读量1.5k 收藏 12
点赞数 12
分类专栏： YOLO系列实践 文章标签： 目标跟踪 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/feng1790291543/article/details/139786562
版权

鱼弦：公众号【红尘灯塔】，CSDN博客专家、内容合伙人、新星导师、全栈领域优质创作者 、51CTO(Top红人+专家博主) 、github开源爱好者（go-zero源码二次开发、游戏后端架构 https://github.com/Peakchen）

YOLOv8改进 | 损失函数篇：二十余种方案详解

1. 简介

YOLOv8作为目前主流的目标检测算法之一，其基础模型结构高效、易于部署，但仍存在一些可以优化的空间。其中，损失函数是影响模型性能的关键因素之一，选择合适的损失函数可以显著提升模型的精度和鲁棒性。本文将对YOLOv8常用的二十余种损失函数进行详细介绍，包括它们的原理、应用场景、文献材料链接、应用示例产品等信息，并总结它们的优缺点、影响和未来扩展方向。

2. 常见损失函数汇总

损失函数 原理详解 应用场景 文献材料链接 应用示例产品 优缺点 影响 未来扩展
IoU 计算预测框与真实框之间的重叠率 通用目标检测 - - 简单易懂，但对目标尺度变化和形状变化敏感 基础损失函数 与其他损失函数融合
GIoU
了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv8改进：ShapeIoU与InnerShapeIoU损失函数的理论与实践
shrgegrb的博客
04-22 750
YOLOv8 的总损失由定位损失、分类损失、置信度损失及可选的蒸馏损失组成。其中，定位损失采用了 DFL 与 CIoU 结合的方式，继承前代解耦式定位损失的优点，并进一步优化。ShapeIoU 是一种改进的 IoU 损失函数，它在传统 IoU 的基础上，引入了形状相似性度量，弥补了传统 IoU 仅关注重叠区域比例而忽略边界框形状差异的不足。其计算公式为：其中，α 是平衡参数，形状相似性可通过边界框的宽高比差异来计算。
YOLOv8改进:损失函数改为SIOU、EIOU、WIOU、Focal-IOU、a-IOU
weixin_45303602的博客
10-10 2万+
在机器学习领域，损失函数（Loss Function）是衡量模型预测值和真实值之间差异的函数。在训练期间，模型会尝试最小化损失函数的值，从而提高模型的准确性。通常来说，损失函数的定义方式取决于你要解决的问题类型。例如，在分类问题中，常见的损失函数包括交叉熵损失函数和负对数似然损失函数等；在回归问题中，通常使用均方误差（MSE）损失函数和平均绝对误差（MAE）损失函数等。以分类问题为例，交叉熵损失函数是一种常用的损失函数，通常用来度量模型在分类问题上的性能。
Yolo v8 改进损失函数：Focal-loss
Phoebee_c的博客
07-26 1万+
param alpha: 阿尔法α,类别权重. 当α是列表时,为各类别权重,当α为常数时,类别权重为[α, 1-α, 1-α, ....],常用于 目标检测算法中抑制背景类 , retainnet中设置为0.25。self.alpha[1:] += (1 - alpha) # α 最终为 [ α, 1-α, 1-α, 1-α, 1-α, ...] size:[num_classes]focal_loss损失函数, -α(1-yi)**γ *ce_loss(xi,yi)
Yolov8修改损失函数
小嘤熊的博客
01-04 7565
(这里可以使用Focus的思想，如果想使用则在下面的红框内添加Foucs=True即可,Focus一般情况下精度会更高，但也有个别的例外)③找到文件ultralytics/utils/tal.py，在这个文件中找到如下的代码块，这里已经修改完了(这里不要开启Focus，如果步骤二开启这里也不要开启，同时现在修改了，如果你想要使用inner就设置inner为True，举例如果你使用WIoU，如果不设置inner则此时为WIoU，如果你设置inner为True，那么此时使用的就是inner_WIoU)
在yolov8中更改损失函数
fool996的博客
02-25 1万+
之后，打开loss.py函数文件，然后 找到 class BboxLoss(nn.Module): 如图所示
YOLOv8模型改进——修改损失函数
最新发布
qq_60131119的博客
03-07 1035
【代码】YOLOv8模型改进——修改损失函数。
YOLOv8改进 | 损失函数篇 | MPDIoU、InnerMPDIoU助力细节涨点（二次创新 + 代码解析）
走向CTO的路上...
06-24 1438
在YOLOv8中引入MPDIoU（Multi-Part IoU）多部件IoU和InnerMPDIoU（Inner-Multi-Part IoU）内部多部件IoU损失函数可以显著提高模型的性能，尤其是在目标检测的小目标检测精度和多尺度目标检测性能方面。MPDIoU和InnerMPDIoU损失函数通过考虑目标的多个部件之间的IoU来度量预测框与真实框之间的匹配程度，从而提高模型对目标细节的建模能力。MPDIoU和InnerMPDIoU损失函数可以更好地度量小目标的IoU，从而提高小目标检测的精度。
YOLOv11改进 | 损失函数改进篇 | 最新ShapeIoU、InnerShapeIoU损失助力细节涨点（含三十余种损失函数改进方法）
Snu77的博客
11-05 2390
本文给大家带来的改进机制是损失函数的改进机制标题虽然提到了ShapeIoU和InnnerShapeIoU但是本文的内容包括过去到现在的百分之九十以上的损失函数的实现，同时使用方法非常简单，在本文的末尾还会教大家在改进模型时何时添加损失函数才能达到最好的效果，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家，本文支持的损失函数共有如下图片所示。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 15万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
p13672294967的博客
05-15 2万+
yolov8改进损失函数Wise-IoU（高效涨点且操作简单），一种基于动态非单调聚焦机制的边界框损失，map@50从59%提升到了61%，将近提升了2个百分点。
YOLOv8改进 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数
Snu77的博客
11-19 1万+
这篇文章介绍了YOLOv8的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高YOLOv8在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。
YOLOv8改进--添加WIOU损失函数
qq_46542320的博客
12-18 6825
【代码】YOLOv8改进--添加WIOU损失函数。
转载：YOLOv8改进全新Inner-IoU损失函数：扩展到其他SIoU、CIoU等主流损失函数，带辅助边界框的损失
wuling129的专栏
11-16 4611
目标检测是计算机视觉中的基本任务，包括目标分类和定位。边界框回归损失函数是检测器定位分支的重要组成部分，检测器的定位精度在很大程度上取决于边界框回归，在当前的检测器中发挥着不可替代的作用。在BBR中，IoU损失可以准确描述预测边界框与GT框之间匹配的程度，确保模型在训练过程中可以学习到目标的位置信息。作为现有主流边界框回归损失函数的基本部分，IoU定义如下：B和分别代表预测框和GT框。定义IoU之后，相应的损失可以定义如下：至今，基于IoU的损失函数逐渐成为主流并占据主导地位。
YOLOv8-训练流程-损失函数
weixin_40723264的博客
06-06 1万+
（1）通过YOLOv8-训练流程-正负样本分配的介绍，我们可以知道，经过预处理与筛选的过程得到最终的训练数据：a. 网络输出值：pred_scores[bx8400xcls_num]、pred_bboxes[bx8400x4]b. 训练标签值：
芒果YOLOv8改进02：损失函数IoU篇EfficiCLoss：首发最新改进｜结合EfficiCLoss损失函数，小目标强势涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-16 7847
YOLOv8改进损失函数代码实践｜结合EfficiCLoss损失函数，小目标强势涨点
损失函数篇 | YOLOv8 更换损失函数之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版
YOLOv8项目贡献者
06-16 1万+
YOLOv8 更换损失函数之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版
YOLOv8 损失函数探索：CIoU / DIoU / EIoU / GIoU / SIoU / WIoU / Focal_xIoU 汇总解析
一直在水些技术小文
11-08 2956
YOLOv8是一种先进的目标检测模型，以其出色的性能和速度而闻名。在YOLOv8中，损失函数的选择对于模型的训练和检测性能至关重要。本文将深入探讨YOLOv8中可供选择的多种损失函数，包括CIoU、DIoU、EIoU、GIoU、SIoU、WIoU和Focal_xIoU。通过详细分析这些损失函数的原理、特点和实际应用，希望能帮助读者更好地理解和选择适合其任务的损失函数。
YOLOv8详解:损失函数、Anchor-Free、样本分配策略；以及与v5的对比
qq_41848886的博客
08-16 6万+
v8的损失函数、Anchor-Free、样本分配策略介绍，以及和v5的对比
YOLOV8损失函数详细讲解【损失函数有误，望理解】
夜间去看海的博客
08-12 4万+
在这个公式中，IoU是交并比，b和bgt表示两个矩形框的中心点，ρ表示两个矩形框之间的欧式距离，c表示两个矩形框闭合区域的对角线距离，v用于测量两个矩形框相对比例的一致性，α是权重系数，具体详细看。本人研0小白，最近在苦学YOLOV8，为了加深记忆，在学习过程中做了学习笔记，这篇主要将YOLOV8的损失函数，但目前只学了一点，后面如有发展会继续更新。上表我们竖着看，黄色的代表是猫的编码 [1, 0, 0]，浅绿色代表的是狗的编码 [0, 1, 0]，粉色代表的人的代码[0,0,1]
yolov8分割损失函数
10-17
YOLOv8 (You Only Look Once version 8) 是一个改进版的实时目标检测算法，它采用了一种称为“锚点”的技术，用于预测每个网格单元中的物体。对于分割任务，YOLOv8 模型通常会结合交叉熵损失（Cross-Entropy Loss）和其他一些损失函数，如： 1. **边界框损失 (Bounding Box Loss)**: 这部分包括了坐标回归损失 (Regression Loss)，例如Smooth L1 Loss，用于调整预测的边界框位置和大小，使其更接近于真实标签。 2. **分类损失 (Classification Loss)**: 对于每个网格单元，模型需要预测出属于哪些类别以及每个类别的概率。这通常使用多类 softmax 分类损失，计算每个锚点对应的目标类别预测概率与真实标签之间的差异。 3. **置信度损失 (Confidence Loss)**: 除了预测精确的位置和类别，YOLOv8 还关注每个预测是否有物体存在的置信度。这部分可能是二元交叉熵损失，用于判断预测是否准确匹配到某个物体。 4. **分割损失 (Mask Loss)**: 如果 YOLOv8 包含实例分割功能，比如 Mask R-CNN 部分，则会有额外的 mask 生成损失，比如Dice Loss 或 IoU Loss，用于衡量分割预测与真实掩码的相似度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

鱼弦

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值