YOLOv4使用的完整损失函数是什么？

YOLOv4的损失函数在YOLOv3的基础上优化了定位损失分支，整体由3个独立分支的损失加权求和组成，具体如下：

1. 定位损失（边界框回归损失） #

使用CIoU损失替代了原有YOLOv3的均方误差损失，同时考虑了预测框与真实框的重叠度、中心点距离、宽高比一致性三个核心维度，解决了传统IoU损失在框无重叠时梯度消失、回归方向不精准的问题：

• 计算公式：L_ciou = 1 - IoU + ρ²(b, b_gt)/c² + αv
• 参数说明：
  • ρ：预测框中心点b与真实框中心点b_gt的欧氏距离
  • c：可同时包裹预测框和真实框的最小外接矩形的对角线长度
  • α：权重平衡参数
  • v：预测框与真实框的宽高比一致性度量值

2. 置信度损失 #

使用二元交叉熵损失计算，用于判断锚框内是否存在目标，训练过程中会对负样本做难例挖掘，将正负样本比例控制在1:3左右避免样本失衡：

• 计算公式：L_obj = -λ_obj * [y_gt * log(y_pred) + (1 - y_gt) * log(1 - y_pred)]
• 参数说明：
  • λ_obj：置信度损失的预设权重系数
  • y_gt：真实置信度标签，锚框内有目标为1，无目标为0
  • y_pred：网络输出的置信度预测值

3. 分类损失 #

同样使用二元交叉熵损失计算，每个类别独立做二分类判断，无需使用softmax归一化，支持单框多标签的检测场景：

• 计算公式：L_cls = -λ_cls * Σ [y_cls_gt * log(y_cls_pred) + (1 - y_cls_gt) * log(1 - y_cls_pred)]
• 参数说明：
  • λ_cls：分类损失的预设权重系数
  • 求和范围覆盖所有检测类别
  • y_cls_gt：对应类别的真实标签，存在该类目标为1，否则为0
  • y_cls_pred：网络输出的对应类别预测概率

总损失 #

最终模型训练的整体损失为三个分支损失之和：L_total = L_ciou + L_obj + L_cls

实际训练时可根据数据集的具体场景调整三个分支损失的权重系数，官方默认配置下定位损失权重最高，其次为置信度损失，分类损失权重最低。

内容的提问来源于stack exchange，提问作者Gaurav Sharma