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
在前两篇博客中我分析了YOLOv7的模型结构以及训练数据的准备。这里将对损失函数的代码进行分析。在train.py中，我们可以看到以下的代码是进行损失值计算的if'loss_ota'notinhyporhyp['loss_ota']==1:loss,loss_items=compute_loss_ota(pred,targets.to(device),imgs)#lossscaledbybatch_sizebreakelse:loss,loss_items=compute_loss(pred,targets.to(device))#lossscaledbybatch_size因为在超参数中定义
在前两篇博客中我分析了YOLOv7的模型结构以及训练数据的准备。这里将对损失函数的代码进行分析。在train.py中，我们可以看到以下的代码是进行损失值计算的if'loss_ota'notinhyporhyp['loss_ota']==1:loss,loss_items=compute_loss_ota(pred,targets.to(device),imgs)#lossscaledbybatch_sizebreakelse:loss,loss_items=compute_loss(pred,targets.to(device))#lossscaledbybatch_size因为在超参数中定义
一：什么是损失函数：简单的理解就是每一个样本经过模型后会得到一个预测值，然后得到的预测值和真实值的差值就成为损失（当然损失值越小证明模型越是成功），我们知道有许多不同种类的损失函数，这些函数本质上就是计算预测值和真实值的差距的一类型函数，然后经过库（如pytorch，tensorflow等）的封装形成了有具体名字的函数。二：为什么需要损失函数：我们上文说到损失函数是计算预测值和真实值的一类函数，而在机器学习中，我们想让预测值无限接近于真实值，所以需要将差值降到最低（在这个过程中就需要引入损失函数）。而在此过程中损失函数的选择是十分关键的，在具体的项目中，有些损失函数计算的差值梯度下降的快，而有
一：什么是损失函数：简单的理解就是每一个样本经过模型后会得到一个预测值，然后得到的预测值和真实值的差值就成为损失（当然损失值越小证明模型越是成功），我们知道有许多不同种类的损失函数，这些函数本质上就是计算预测值和真实值的差距的一类型函数，然后经过库（如pytorch，tensorflow等）的封装形成了有具体名字的函数。二：为什么需要损失函数：我们上文说到损失函数是计算预测值和真实值的一类函数，而在机器学习中，我们想让预测值无限接近于真实值，所以需要将差值降到最低（在这个过程中就需要引入损失函数）。而在此过程中损失函数的选择是十分关键的，在具体的项目中，有些损失函数计算的差值梯度下降的快，而有
1 Wise-IOU损失函数边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。FocalEIoUv1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为WiseIoU（WIoU）。当WIoU应用于最先进的实时检测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。现有工作记锚框为，
1 Wise-IOU损失函数边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。FocalEIoUv1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为WiseIoU（WIoU）。当WIoU应用于最先进的实时检测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。现有工作记锚框为，
一、前言我们在实际开发中肯定会遇到后端的时间传到前端是这个样子的：2022-08-02T15:43:50这个时候前后端就开始踢皮球了，！！后端说：前端来做就可！前端说：后端来做就可！作为一名有责任感的后端，这种事情怎么能让前端来搞呢！还有就是Long类型的返回到前端可能会损失精度，这个情况只能后端来做了！解决方案还是看的开源框架，人家写的，咱就不造轮子了！直接开车！！二、错误示范带着T非常不好，产品要求不带，哈哈，一切按照原型来哦！！下面的testNum的值是Long类型的最大值：9223372036854775807，这样就会损失精度成：9223372036854776000三、导入依赖 o
一、前言我们在实际开发中肯定会遇到后端的时间传到前端是这个样子的：2022-08-02T15:43:50这个时候前后端就开始踢皮球了，！！后端说：前端来做就可！前端说：后端来做就可！作为一名有责任感的后端，这种事情怎么能让前端来搞呢！还有就是Long类型的返回到前端可能会损失精度，这个情况只能后端来做了！解决方案还是看的开源框架，人家写的，咱就不造轮子了！直接开车！！二、错误示范带着T非常不好，产品要求不带，哈哈，一切按照原型来哦！！下面的testNum的值是Long类型的最大值：9223372036854775807，这样就会损失精度成：9223372036854776000三、导入依赖 o
可学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,LPIPS) 项目主页：https://richzhang.github.io/PerceptualSimilarity/论文地址：https://arxiv.org/abs/1801.03924开源代码：https://github.com/richzhang/PerceptualSimilarity可学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,LPIPS)也称为“感知损失”(perceptualloss)，用于度量两张图像之间的差别。来源
