1. 目标检测 YOLOv5的loss权重
YOLOv5中有三个损失分别是 box, obj, cls
在超参数配置文件hyp.*.yaml中可以设置基础值，例如
box: 0.05
cls: 0.5
obj: 1
训练使用时，在train.py进行更新
hyp['box'] *= 3 / nl # scale to layers
hyp['cls'] *= nc / 80 * 3 / nl # scale to classes and layers
hyp['obj'] *= (imgsz / 640) ** 2 * 3 / nl # scale to image size and layers
可以看到损失与nl（number of detection layers，检测层的层数，这里是3）和图像尺寸相关，与layers相关这个好理解，是因为损失多个layers的加和。与图像尺寸相关则需要进一步探讨。
nl = model.model[-1].nl # number of detection layers (used for scaling hyp['obj'])
然后，在loss计算时会乘上各自的权重
loss.py
lbox *= self.hyp['box']
lobj *= self.hyp['obj']
lcls *= self.hyp['cls']
训练时会过滤掉小于2像素的框
# Filter
i = (wh0 < 3.0).any(1).sum()
if i:
print(f'{prefix}WARNING: Extremely small objects found. {i} of {len(wh0)} labels are < 3 pixels in size.')
wh = wh0[(wh0 >= 2.0).any(1)] # filter > 2 pixels
2. obj损失与图像大小的关系
obj损失通过图像大小进行调整
hyp['obj'] *= (imgsz / 640) ** 2 * 3. / nl
看一下图像大小分别是1280，640，320，224的时候，各自权重分别是多少
Image sizes 1280
nl: 3
hyp['box']: 0.05
hyp['obj']: 4.0
hyp['cls']: 0.5
Image sizes 640
nl: 3
hyp['box']: 0.05
hyp['obj']: 1.0
hyp['cls']: 0.5
Image sizes 320
nl: 3
hyp['box']: 0.05
hyp['obj']: 0.25
hyp['cls']: 0.5
Image sizes 224
nl: 3
hyp['box']: 0.05
hyp['obj']: 0.12249999999999998
hyp['cls']: 0.5
参考：
https://blog.csdn.net/flyfish1986/article/details/116832354
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
